选CSR还是CSC取决于主要操作类型：行操作（如矩阵乘向量、行切片）用csr_matrix，列操作（如列切片、解方程、特征选择）用csc_matrix；构建阶段优先用coo_matrix或dok_matrix，再转为目标格式。
选对格式比盲目压缩更重要：CSR/CSC 不是万能解，COO 和 DOK 在构建阶段更灵活，但用错场景会拖慢 10 倍以上。
csr_matrix 和 csc_matrix 哪个该用？看你的主要操作类型
CSR（csr_matrix）和 CSC（csc_matrix）内存占用几乎一样，但访问模式完全不同：
- 如果你频繁做
@（矩阵乘向量）、dot、行切片（如sparse_mat[5, :]），优先用csr_matrix - 如果你常做列切片（如
sparse_mat[:, 10]）、解线性方程（scipy.sparse.linalg.spsolve），或做特征选择（按列筛选特征），选csc_matrix - 误把
csc_matrix当成“通用替代”来替代 CSR，在矩阵乘法中可能慢 3–5 倍——因为底层循环遍历的是列指针，而乘法天然按行展开 - 两者互相转换（
.tocsr()/.tocsc()）不是零成本，会触发完整数据重排，别在热循环里调用
构建稀疏矩阵时，别直接用 csr_matrix 或 csc_matrix
它们的构造函数接受 (data, (row, col)) 元组，但内部仍要排序+去重+压缩，效率低且不支持增量赋值：
- 用
coo_matrix构建：适合从原始三元组（比如日志里的(user_id, item_id, rating)）一次性组装，支持重复索引自动累加（coo_matrix(..., dtype=np.float64)默认开启） - 用
dok_matrix构建：适合边读边写、随机赋值（如sparse_dok[123, 456] = 1.0），内部是 dict，插入快但不能直接用于计算 - 构建完立刻转成目标格式：
coo_matrix(...).tocsr()比直接csr_matrix(...)快 2–4 倍；dok_matrix转换前记得先.asformat('coo')再转，避免 dict 遍历开销
内存占用差异远大于格式名字暗示的范围
同一份非零数据，不同格式实际内存开销差异显著，尤其在小矩阵或高稀疏度下：
python全能编程助手
下载
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
立即学习“Python免费学习笔记（深入）”；
-
coo_matrix存三个等长数组（row,col,data），总开销 ≈3 * nnz * 8字节（float64） -
csr_matrix多存一个长度为m+1的indptr，当行数m很大（比如百万级用户 ID）但nnz很小时，indptr可能吃掉几 MB 冗余内存 -
dok_matrix是 Python dict，每个键值对有哈希表开销，nnz > 10^4后就明显不如 COO - 实测：100 万 × 100 万、
nnz=5e4的矩阵，coo占 1.2 MB，csr占 1.9 MB（多出的 0.7 MB 几乎全是indptr），dok占 4.3 MB
稀疏性极高的场景，别忽略 scipy.sparse.bmat 和 block_diag
当你处理分块结构（如推荐系统中用户-物品子矩阵拼接、图神经网络中的邻接块），硬摊平成单一大矩阵会浪费空间并破坏局部性：
-
scipy.sparse.bmat支持用二维 list 构建块矩阵，不立即合并内存，延迟压缩，适合动态组合 -
scipy.sparse.block_diag对角块拼接零拷贝，比手动填充coo三元组快且安全 - 注意：这些函数输出默认是
coo_matrix，后续必须显式转成csr或csc才能高效运算，否则.dot()会先隐式转换，不可控
真正卡住性能的往往不是“用了稀疏矩阵”，而是格式切换时机不对、构建路径绕远、或者误以为 CSR 就是终极答案。矩阵维度、操作频次、构建方式这三点没对齐，再好的格式也白搭。
