稀疏矩阵仅在高维低密度数据、支持模型及正确操作下提速：特征>1000且非零占比
直接用 csr_matrix 替代密集数组，能显著降低内存占用并加速训练——前提是模型支持、数据够稀疏、操作方式正确。否则可能白忙一场，甚至更慢。
哪些场景下稀疏矩阵真能提速？
不是所有数据都适合转稀疏。关键看两个指标：特征维度高（比如 >1000）、非零值占比低（
- TF-IDF 或 CountVectorizer 输出的文本特征矩阵（密度常低于 0.1%）
- 用户-物品交互矩阵（如电商点击/购买行为，99% 以上为 0）
- One-hot 编码后的高基数类别特征（比如城市名、商品 ID）
如果原始数据是 dense 的 pandas DataFrame，先检查稀疏度：df.astype(float).values.nnz / df.values.size（需先转 csr_matrix 才有 nnz 属性）；若结果 >0.1，转稀疏收益很小，还可能因格式转换开销反而变慢。
怎么安全地构造 csr_matrix？
常见错误是直接 csr_matrix(df.values)，尤其当 df 含 object 列或 np.nan 时，会静默生成 object 类型稀疏矩阵，后续 fit() 直接报 TypeError: no supported conversion for types。
- 强制数值类型：
df = df.astype(np.float32)（用float32而非默认float64，省一半内存） - 显式填充缺失值：
df = df.fillna(0)（不能留np.nan） - 再构造：
from scipy.sparse import csr_matrix; X_sparse = csr_matrix(df.values) - 更优路径：如果是字典列表（如原始日志结构），直接用
DictVectorizer(sparse=True)，它内部跳过 dense 中间态，更快更省内存
哪些 Scikit-learn 模型真正“吃”稀疏输入？
不是所有 estimator 都原生支持稀疏。有些会在内部悄悄调用 .toarray()，等于白转——你看到内存没爆，但训练时间变长、GPU 显存也上不去。
-
安全选择：
LogisticRegression、SVC(kernel='linear')、RandomForestClassifier（v1.0+）、TruncatedSVD -
危险信号：
KMeans（旧版强制 densify）、StandardScaler（不支持，改用MaxAbsScaler或Normalizer） - 验证方法：训练后检查
model._X类型（部分模型保留原始输入），或type(model._X) is csr_matrix
CSR 矩阵操作最容易踩的坑
csr_matrix 不是万能的“轻量 ndarray”。它快在行切片和矩阵乘法，但列操作、元素赋值、频繁索引都会触发隐式转换或全量拷贝。
- 别写
X[0, 1] = 5—— 报NotImplementedError - 避免
X[:, [0, 5]]—— 会隐式转成csc_matrix，临时内存暴涨 - 真要改元素？走三元组路线：
data, row, col = scipy.sparse.find(X)，用numpy修改data数组，再重建 - 批量预测务必用
predict(X_batch)而非循环调用predict([x_i])，前者能利用 CSR 的行压缩特性做向量化计算
稀疏的优势只在“对的数据 + 对的模型 + 对的操作”三者齐备时才兑现；漏掉任一环，它就只是个占内存又难调试的麻烦对象。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
