sparsearray存储超大规模稀疏矩阵应优先选用csr或csc格式，避免coo；需批量初始化而非逐个赋值，警惕隐式零导致的稠密化，合理选用dtype并定期清理零值。
用 SparseArray 存储含大量零值的超大规模矩阵，核心是只存非零元素及其位置，跳过所有零，大幅节省内存并加速运算。关键不在“怎么建”，而在“选对格式”和“避开常见坑”。
优先选 CSR 或 CSC 格式，别用 COO 做大规模计算
COO（坐标格式）最直观：三个数组分别存行索引、列索引、值，适合构建和小批量插入。但一做矩阵乘法或求解就慢，且不支持原地修改。超大规模场景下，应转为 CSR（按行压缩）或 CSC（按列压缩）：
- CSR 适合按行访问、行向量乘法、大多数迭代求解器（如 CG）；
- CSC 更适合作列切片、特征提取、与 sklearn 的 fit/transform 流程天然兼容；
- SciPy 中 sparse.csr_matrix() 和 sparse.csc_matrix() 构造后即优化存储，索引查找快、算术操作高度向量化。
构建时避免逐个赋值，用批量数据一次性初始化
写 mat[i, j] = x 看似自然，实则每次触发结构检查和内存重分配，100 万次赋值可能卡死。正确做法是先收集全部非零项，再统一构造：
- 用 Python 列表暂存 (row, col, value) 元组，最后传给 sparse.coo_matrix((data, (rows, cols)), shape=(M,N))；
- 若已知每行/列非零元数量，可预分配 CSR/CSC 的 indptr 数组，进一步减少内存拷贝；
- 从 HDF5 或 Parquet 读稀疏数据时，优先用 sparse.load_npz() 加载已压缩的 .npz 文件，比现场解析快 5–10 倍。
注意隐式零与显式零的区别，避免意外 densify
SparseArray 不存零，但 mat[0, 0] 返回 0 是“逻辑零”，不是“存储了零”。问题常出在：
- 调用 mat.toarray() 或 np.array(mat) 会强制展开成稠密数组，10⁶×10⁶ 矩阵瞬间 OOM；
- 和标量做运算如 mat + 1，结果仍是稀疏的，但 mat == 0 会返回稠密布尔矩阵——务必改用 mat.count_nonzero() 或 mat.sum() 替代；
- 用 np.where(mat) 提取非零位置前，确认 mat 是 CSR/CSC，否则 COO 下效率极低。
配合 dtype 和压缩策略进一步减负
默认 float64 占 8 字节，但很多场景 float32 或 int32 已足够：
- 创建时显式指定 dtype=np.float32，内存直降 50%，多数科学计算精度无损；
- 计数类矩阵（如 TF-IDF、共现表）用 dtype=np.int32 更省；
- 加载后调用 mat.eliminate_zeros() 清理重复索引和浮点误差引入的“近零值”；
- 长期保存用 sparse.save_npz("mat.npz", mat)，比 pickle 小 3–5 倍，且跨平台可读。
