稀疏数组是主流高效方式，当二维数组超70%元素为同一默认值（如0）时应转换；其用(sum+1)×3数组存储：第0行存原行列数及有效个数，后sum行各存一有效元素的行列索引和值；还原时依首行建数组，再逐行赋值即可。
用稀疏数组处理是主流且高效的方式——它不存大量重复的默认值（比如0），只记录有效数据的位置和值，空间占用直降，读写也更轻量。
什么时候该转稀疏数组
当二维数组中超过约70%的元素是同一默认值（常见为0）时，就值得转。比如棋盘、地图、用户行为矩阵等场景：11×11的棋盘可能只有3–5个落子点，其余全是0；1000×1000的用户-商品点击表里99.8%为空。这时原数组占内存大、序列化慢、磁盘IO冗余，稀疏表示能立竿见影压缩体积。
怎么构建稀疏数组（三元组格式）
核心是用一个 （sum+1）×3 的二维数组来存：
- 第0行存三个元信息：原数组行数、列数、有效元素个数（sum）
- 第1行到第sum行，每行存一个有效元素：行索引、列索引、对应值
- 遍历原数组一次即可完成统计与填充，时间复杂度 O(m×n)，无额外开销
怎么还原回原始二维数组
还原过程简单可靠：
- 读稀疏数组第0行，申请大小为 [row][col] 的新二维数组（全初始化为默认值）
- 从第1行开始逐行读取，把 (i, j, val) 直接赋值到新数组的 [i][j] 位置
- 无需遍历整个大数组，仅写 sum 次，效率远高于全量复制
进阶建议：落地更稳
实际使用时注意几点：
- 存盘推荐用文本格式（如每行 “i j val”），易读、跨语言、便于调试
- 若需频繁随机查值，可额外用字典（HashMap / dict）做索引加速，键为 (i,j)，值为 val
- Python 中可用 list of tuples 或 scipy.sparse 矩阵；Java 可封装 SparseArray 类，隐藏转换逻辑
- 注意索引边界：稀疏数组里存的是原始坐标，还原时别越界
