稀疏矩阵应选用CSR或CSC格式而非COO，批量构建避免逐个赋值，警惕隐式零与显式零混淆，合理指定dtype并用npz压缩存储以节省内存和提升性能。
直接用普通二维数组存大量零值矩阵，等于拿金库装几颗螺丝钉——空间浪费严重，计算也拖慢。稀疏矩阵压缩的核心，就是只记“谁不为零、在哪、值多少”，跳过所有零。
选对存储格式，别让格式拖垮性能
不是所有稀疏格式都适合大规模计算：
- COO（坐标格式）适合初始化：用三个数组分别存行号、列号、值，构造直观，但不支持高效运算，也不支持原地修改；
- CSR（按行压缩）更适合大多数场景：行访问快、矩阵乘法和迭代求解器（如共轭梯度法）天然适配；
- CSC（按列压缩）更适配列操作：比如特征提取、sklearn 的 fit/transform 流程，或需要频繁取某一列的场景。
SciPy 中推荐直接用 sparse.csr_matrix() 或 sparse.csc_matrix() 构造，它们内部已做结构优化，索引和算术操作都是向量化实现。
批量构建，拒绝逐个赋值
写 mat[i, j] = x 看似自然，实则每次都会触发结构检查、内存重分配。100 万次赋值可能卡死或爆内存。
- 先用 Python 列表收集所有非零项：
rows, cols, data = [], [], []，循环中追加(i, j, val)； - 一次性构造：
sparse.coo_matrix((data, (rows, cols)), shape=(M, N))； - 若需进一步提速，可预分配 CSR 的
indptr数组（尤其当每行非零元数量已知时）； - 从文件加载时，优先用
sparse.load_npz()读取已压缩的.npz文件，比现场解析快 5–10 倍。
警惕隐式零与显式零混淆
稀疏矩阵里“没存”不等于“不存在”。mat[0, 0] 返回 0 是逻辑结果，不是内存里真有个 0。
- 调用
mat.toarray()或np.array(mat)会强制转成稠密数组——10⁶×10⁶ 矩阵瞬间 OOM； -
mat == 0会返回稠密布尔矩阵，应改用mat.count_nonzero()或mat.sum()替代； - 用
np.where(mat)提取非零位置前，确保mat已是 CSR/CSC 格式，否则 COO 下效率极低； - 长期运行后调用
mat.eliminate_zeros()清理浮点误差引入的“近零值”和重复索引。
配合 dtype 和压缩策略再减负
默认 float64 占 8 字节，但多数场景 float32 或 int32 完全够用：
- 创建时显式指定
dtype=np.float32，内存直降 50%，科学计算精度通常无损； - 计数类矩阵（如 TF-IDF、共现表）用
dtype=np.int32更省； - 保存时用
sparse.save_npz("mat.npz", mat)，比 pickle 小 3–5 倍，且跨平台可读。
