scipy中的稀疏矩阵coo_matrix，csr_matrix，csc_matrix

coo_matrix

COO优点：

1:容易构造,比较容易转换成其他的稀疏矩阵存储格式（CSR等）
2:写程序可以将libsvm格式的数据转换成COO比较容易，应该是充当libsvm与其他稀疏矩阵存储格式转换的媒介。
3:支持相同的(row,col)坐标上存放多个值。

COO缺点：
1：构建完成后不允许再插入或删除元素。不能进行常规矩阵运算。
2：不能直接进行科学计算和切片操作。

适用场景：
加载数据文件时使用coo_matrix快速构建稀疏矩阵，然后调用to_csr()、to_csc()、to_dense()把它转换成CSR或稠密矩阵。

csr_matrix

比较标准，数值，列号，以及行偏移。 (相当于每行的首个元素在value中的index)
row offset的数值个数是row + 1, 表示某行第一个元素在values中的位置，如5是第三行第一个元素，它在values中的index是4。

优点：
1：高效地按行切片。
2：快速地计算矩阵与向量的内积。
3：高效地进行矩阵的算术运行，CSR + CSR、CSR * CSR等。

缺点：
1：按列切片很慢（考虑CSC）
2：一旦构建完成后，再往里面添加或删除元素成本很高
3：CSR格式在存储稀疏矩阵时非零元素平均使用的字节数(Bytes per Nonzero Entry)最为稳定（float类型约为8.5，double类型约为12.5）。CSR格式常用于读入数据后进行稀疏矩阵计算。

CSC

CSC是和CSR相对应的一种方式，即按列压缩的意思。
以上图中矩阵为例：
Values:[1 5 7 2 6 8 3 9 4]
Row Indices:[0 2 0 1 3 1 2 2 3]
Column Offsets:[0 2 5 7 9]
https://blog.csdn.net/haoji007/article/details/105696394