因为numpy.ndarray会为所有元素（包括大量0）分配内存，导致100万×100万矩阵占用近8tb；而稀疏矩阵仅存非零值及坐标，内存可压缩至kb~mb级。
为什么不能直接用 numpy.ndarray 存稀疏矩阵
当矩阵中 95% 以上元素为 0 时，numpy.ndarray 仍会为每个位置分配内存（比如 float64 占 8 字节），100 万 × 100 万的矩阵会吃掉近 8 TB 内存——这显然不可行。稀疏结构只存非零值及其坐标，内存占用可压缩到 KB ~ MB 级别。
scipy.sparse 的三种常用格式选哪个
核心看你的操作：是频繁按行取、按列取，还是密集计算？
-
csr_matrix：适合按行切片（mat[i, :]）、矩阵乘法（@）；构建后不可高效增删非零元 -
csc_matrix：适合按列切片（mat[:, j]）；和csr互为转置关系，转换开销小（.tocsr()/.tocsc()） -
coo_matrix：只存三元组(row, col, data)，构造阶段最灵活（支持重复索引累加），但不支持切片或算术运算；必须转成csr或csc才能计算
例如从文件逐行读取稀疏数据，先用 coo_matrix 收集，再一次性转 csr_matrix，比反复调用 csr_matrix 的 __setitem__ 快 10 倍以上。
手动构建 csr_matrix 时三个数组怎么填
csr_matrix 底层靠三个一维数组：非零值 data、列索引 col_indices、行偏移 indptr。新手常错在 indptr 长度或含义上。
假设 3×4 矩阵有非零元：位置 (0,1)=2.0、(1,0)=1.0、(1,2)=3.0、(2,3)=4.0，则：
data = [2.0, 1.0, 3.0, 4.0] col_indices = [1, 0, 2, 3] indptr = [0, 1, 3, 4] # 注意：长度是 n_rows + 1
indptr[i] 表示第 i 行第一个非零元在 data 中的起始下标，indptr[i+1] 是结束下标（左闭右开）。漏掉末尾的 4 或写成 [0,1,3] 会导致 ValueError: index pointer size does not match number of rows。
内存效率真的高吗？得看数据分布和 dtype
稀疏格式本身有额外开销：csr 要存两套索引数组。如果非零密度 > 10%，有时 np.float32 的稠密数组反而更省内存且更快。
- 用
dtype=np.float32构造（如csr_matrix(..., dtype=np.float32)），可减半存储并加速计算 - 避免混用类型：传入
int数据却没指定dtype，默认升为float64，白占一倍空间 - 检查实际稀疏度：
mat.nnz / (mat.shape[0] * mat.shape[1])—— 低于 0.01 才值得上稀疏结构
真正容易被忽略的是：稀疏矩阵的“视图”操作（如 mat[1000:2000, :]）会触发内部复制，生成新 csr 对象，不是零拷贝。如果要反复子矩阵运算，考虑预分块或改用 numba 直接操作底层数组。
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！
