scipy.sparse矩阵的*是矩阵乘法，逐元素乘法须用.multiply()；sample_weight必须是1D稠密数组；StandardScaler需设with_mean=False或改用MaxAbsScaler；toarray()易致OOM，应优先用稀疏原生操作。
scipy.sparse 矩阵不能直接用 * 做逐元素乘法
很多人在用 scikit-learn 的 CountVectorizer 或 TfidfVectorizer 输出后，想对稀疏矩阵做类似 A * B 的逐元素乘法（即 Hadamard 积），结果发现返回的是矩阵乘法结果，甚至报错 ValueError: inconsistent shapes。这是因为 * 对 scipy.sparse 矩阵默认是矩阵乘法，不是 NumPy 那样的广播乘法。
正确做法是用 .multiply() 方法：
from scipy import sparse import numpy as np <p>A = sparse.csr_matrix([[1, 0, 2], [0, 3, 0]]) B = sparse.csr_matrix([[4, 0, 0], [0, 5, 6]])</p><h1>✅ 正确：逐元素相乘，返回稀疏矩阵</h1><p>C = A.multiply(B)</p><h1>❌ 错误：这是矩阵乘法，形状不匹配时直接报错</h1><h1>D = A * B</h1>
-
.multiply()支持稀疏×稀疏、稀疏×稠密（np.ndarray）、稀疏×标量，且保持稀疏性 - 若其中一个是稠密数组，会自动广播（要求形状兼容），但结果转为稠密——这可能爆内存，要小心
- 别用
np.multiply(A, B)，它不识别稀疏类型，会强制转稠密再算
fit_transform() 返回的稀疏矩阵不能直接传给某些 sklearn 模型的 sample_weight
比如用 LogisticRegression 或 RandomForestClassifier 时，想传 sample_weight，但误把稀疏特征矩阵当权重用，或反过来把稀疏权重传进去，会触发 TypeError: Expected 1D array, got sparse matrix。
立即学习“Python免费学习笔记（深入）”；
sample_weight 必须是 1D 稠密数组（np.ndarray，shape 为 (n_samples,)），而 fit_transform() 返回的是 2D 稀疏矩阵（(n_samples, n_features)）。
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、
- 检查变量名别混淆：
X_train是特征（稀疏），sample_weight是另一个独立的 1D 数组 - 如果权重本身来自某列稀疏特征（比如 TF-IDF 中某词频），需先用
.toarray().ravel()提取并确保长度匹配，但注意.toarray()可能吃光内存 - 更安全的做法：用
weights = np.asarray(X_train.sum(axis=1)).ravel()（行和作为权重），np.asarray()对稀疏矩阵返回np.matrix，所以加.ravel()转一维
用 Pipeline 时稀疏矩阵在 StandardScaler 中会报错
StandardScaler 默认调用 np.array()，遇到 scipy.sparse 矩阵会静默转成 object 数组，后续计算出错，典型报错是 TypeError: ufunc 'isnan' not supported for the input types 或拟合后 transform() 返回全 nan。
根本原因是 StandardScaler 不支持稀疏输入——它需要计算均值、标准差，而稀疏矩阵的“零”是隐式存储的，不能直接按稠密逻辑处理。
- 方案一：改用
sklearn.preprocessing.StandardScaler(with_mean=False)，因为with_mean=True需要中心化（减去均值），必须显式存储所有零，破坏稀疏性；设为False后只缩放（除以 std），scipy.sparse支持该操作 - 方案二：用
sklearn.preprocessing.MaxAbsScaler，它只除以每列最大绝对值，天然兼容稀疏矩阵，且不引入新非零元 - 方案三：彻底避免缩放——文本类稀疏特征（如 TF-IDF）通常不需要标准化，
LogisticRegression和SVM在 L2 正则下已隐含尺度鲁棒性
toarray() 和 A.toarray() 的内存陷阱
看似简单的 X.toarray() 在高维稀疏场景下极易 OOM。例如 10 万文档 × 10 万词汇的 TF-IDF 矩阵，即使非零率仅 0.1%，稠密形态也要占约 80GB 内存（float64）。
很多用户在调试时习惯先 .toarray() 再用 pandas 查看，或传给自定义函数，却没意识到转换瞬间已崩溃。
- 替代查看方式：
X.nonzero()查非零位置，X.data[:10]看前 10 个值，X.shape和X.nnz看规模 - 如果必须转稠密，优先用
np.asarray(X.todense())（比.toarray()稍快），但务必确认X.nnz / (X.shape[0] * X.shape[1]) < 0.05 - 下游函数若不支持稀疏输入，优先找稀疏友好替代：比如用
scipy.sparse.linalg.svds替代np.linalg.svd，用sklearn.decomposition.TruncatedSVD（原生支持稀疏）替代PCA
稀疏矩阵的“稀疏性”不是装饰，是计算契约。一旦转稠密，就放弃了 scikit-learn 这套工具链的设计前提——这点最容易被忽略，也最常导致线上环境突然失败。
