直接用numpy.ndarray存极稀疏矩阵会导致内存爆炸，必须用scipy.sparse的CSR/CSC格式并及时转换，配合适配稀疏计算的函数（如svds、cg），否则无法运行或严重低效。
因为直接用 numpy.ndarray 存极稀疏矩阵，不是慢一点，而是根本跑不起来——内存先爆，计算再卡。
内存占用差 10–100 倍，不是夸张
一个 100 万 × 100 万的用户-物品交互矩阵，若只有 0.001% 非零（约 1e6 个非零项），用 numpy.float64 密集存储需 800 GB；而 scipy.sparse.csr_matrix 只存三组整数索引 + 一组值，通常不到 100 MB。这不是“省点内存”，是“能不能加载进内存”的分水岭。
常见误操作：
- 从 CSV 读完再 np.array() → 内存瞬间打满
- 用 pandas.get_dummies() 后没转稀疏 → 稠密 one-hot 把 10 万维 categorical 特征撑爆 RAM
dot() 运算在 CSR/CSC 下才真正走稀疏路径
scipy.sparse 的 dot() 或 @ 运算符，只在 csr_matrix 和 csc_matrix 上调用底层 C 实现的稀疏乘法；其余格式如 coo_matrix、lil_matrix 调用 @ 时会静默转成 CSR/CSC——不报错，但多一次拷贝+排序，慢 5–10 倍。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操建议：
- 构建完立刻转：mat = mat.tocsr() 或 .tocsc()，别等第一次计算才触发隐式转换
- 验证是否生效：print(type(mat)) 必须是 scipy.sparse.csr_matrix，不是 coo_matrix
- 行优先查（如按用户取向量）选 CSR；列优先查（如按物品聚合）选 CSC
很多“看起来通用”的函数根本不适配稀疏输入
sklearn.metrics.pairwise_distances 对 csr_matrix 默认全量展开成密集数组，哪怕只是算 1000 个用户的余弦距离，也可能触发 MemoryError；np.linalg.svd 不支持稀疏矩阵，必须用 scipy.sparse.linalg.svds。
容易踩的坑：
- 用 mat.sum(axis=1) 在 lil_matrix 上比在 csr_matrix 上慢 3 倍以上
- 调 mat.toarray() 试图“方便调试” → 一执行就 OOM
- 在 ALS 训练中传给 scipy.sparse.linalg.cg 的矩阵未归一化 → 收敛失败，报 ConvergenceWarning: CG iteration did not converge
真正关键的不是“用了 sparse”，而是格式选对、转换及时、函数对口——稀疏性本身不加速，**稀疏格式 + 匹配算法** 才让大模型训练和实时推荐成为可能。
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！
