python稀疏矩阵

1.为什么使用稀疏矩阵
稀疏矩阵的两个动机：稀疏矩阵通常具有很大的维度，有时甚大到整个矩阵（零元素）与可用内存不想适应；另一个动机是避免零矩阵元素的运算具有更好的性能。

2.稀疏列矩阵csc(compressed sparse column),python中是使用csc_matrix按列对矩阵进行压缩
csc使用了三个数组，分别为数值、列偏移、行号。csc是一种编码的方式
一维数组data（数值）:有序地存储了所有的非零值，它具有与非零元素同样多数量的元素，通常由变量nnz表示。

一维数组indptr（列偏移量）：包含了证书使得indptr[i]是data中元素的索引，它是列i中的第一个非零元素。如果整个列i为零，则indptr[i]==indptr[i+1]
如初始矩阵有m列，则len(indptr)==m+1
一维数组Indices（行号:）: 其使用如下方式包含行索引信息:indices[indptr[i]:indptr[i+1]]是一个具有列i中非零元素的行索引的整数数组。Len(indice)==len(data)==nnz

备注：行索引表示数值所在的行号，从0开始。
数组data：包含矩阵中的非零元素，以行优先的形式保存。
列偏移：csc中列索引被压缩，没有列索引，这里用列偏移表示列索引。

>>> import numpy as np
>>> from scipy.sparse import csc_matrix
>>> a=np.arange(0,5)
>>> print(a)
[0 1 2 3 4]
>>> b=csc_matrix(a)
>>> print(b)
  (0, 1)        1
  (0, 2)        2
  (0, 3)        3
  (0, 4)        4
>>> print(b.indices)
[0 0 0 0]
>>> print(b.indptr)
[0 0 1 2 3 4]
>>> print(b.data)
[1 2 3 4]