用scipy.sparse而非numpy.ndarray存超大稀疏矩阵是因内存需求从TB级降至MB级；构造时按场景选格式：coo适合批量构建，lil适合动态插入，csr/csc适合行/列操作；避免toarray()和不安全运算，始终警惕稀疏性丢失。
为什么用 scipy.sparse 而不是 numpy.ndarray
直接存一个 100 万 × 100 万的矩阵，哪怕全是 0，numpy.ndarray 也会吃掉约 8 TB 内存（按 float64 算）。scipy.sparse 只存非零值及其位置，内存占用从 GB 级降到 MB 级——这不是优化，是“能跑起来”的前提。
但别一上来就选 csr_matrix：它适合行切片和矩阵乘法，但逐个赋值（比如 mat[i, j] = x）极慢；而 lil_matrix 支持高效逐元素插入，却不能直接参与计算——得先转成 csr 或 csc 才行。
构造稀疏矩阵时该选哪种格式
常见错误：用循环反复给 csr_matrix 赋值，结果卡死。正确做法是「攒够再建」：
- 已知所有非零位置和值 → 用
coo_matrix((data, (row, col)), shape=(m, n))，最快最稳 - 边读数据边构建（如解析日志、用户行为流）→ 先用
lil_matrix((m, n))，最后调用.tocsr() - 要频繁按行取子矩阵（如推荐系统中取某用户所有交互）→ 构造完立刻转
csr_matrix - 要频繁按列操作（如特征归一化）→ 用
csc_matrix，避免转置开销
toarray() 是性能杀手，多数时候根本不需要调用
很多人习惯性写 mat.toarray() 想“看看数据”，结果内存爆掉或卡住。记住：toarray() 会把整个稀疏结构展开成稠密数组，完全抵消稀疏优势。
立即学习“Python免费学习笔记（深入）”；
替代方案：
- 查形状和非零元数量：
mat.shape,mat.nnz - 看前几行非零项：
mat.tocoo().row[:10],mat.tocoo().col[:10],mat.tocoo().data[:10] - 抽样检查：
mat[0:100, 0:100].toarray()（只取小块） - 保存调试用：
scipy.io.mmwrite('debug.mtx', mat)，用文本编辑器或mmread查看
乘法、求逆、解方程这些操作有隐含陷阱
scipy.sparse 的运算不总返回稀疏矩阵——比如 mat @ mat.T 可能产生大量新非零元，结果变稠密；np.linalg.inv(mat) 直接报错，因为稀疏矩阵没有通用逆矩阵概念。
安全做法：
- 矩阵乘法后检查密度：
result.nnz / (result.shape[0] * result.shape[1])，若 > 5%，考虑换算法或降维 - 解线性方程组用
scipy.sparse.linalg.spsolve(A, b)，不是np.linalg.solve - 求特征向量用
scipy.sparse.linalg.eigs或svds，传参时务必设k（要多少个），否则默认 k=6，但底层可能尝试全算 - 归一化列向量？别用
mat.sum(axis=0)得到 dense array，改用mat.sum(axis=0).A1（返回 1D numpy 数组）
真正难的不是选哪个格式，而是每次操作前都得问一句：这一步会不会悄悄把稀疏性吃掉？
