Scipy中常見的幾類矩陣，包括lil_matrix和csc_matrix、coo_matrix，最近在研究網絡結構的表示學習，需要使用這些工具。

官方文檔其實已經講得比較詳細了，我這里再補充一點，把問題講得更加簡單明白。
csc_matrix:

Example

>>> import numpy as np
>>> from scipy.sparse import csc_matrix
>>> csc_matrix((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)
>>>
>>> row = np.array([0, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_matrix((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])

data是存儲的數據，矩陣以列來存儲，很多人學習完了線性代數，甚至不知道矩陣一般是以列還是以行來存儲。從向量Vector的角度來看，矩陣都應該以列方式來存儲，以列來理解和存儲更符合實際需要，我們常用的x = [1,2,3,5]，在運算時都要進行一個轉置x^T。實際上Numpy中矩陣也是使用csc_matrix存儲。

row, col data這里的意思就顯而易見了, row[i], col[i]存儲的數據為data[i]， 0行，0列 存儲了1； 2行，0列存儲了2； 2行，2列存儲了6.

>>> indptr = np.array([0, 2, 3, 6])
>>> indices = np.array([0, 2, 2, 0, 1, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_matrix((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 3, 6]])

這個略微復雜，但其實也非常容易理解： indptr表示的是indices矩陣里的開始和結尾的index， indptr [0, 2]表示indices[0:2]存儲了第一列的數據所位置0行和2行，indices[2:3]存儲了第二列的數據位置，即2，第2行（注意從0行開始）， 每個indices[i]對應一個data[i]。注意Python list[0:i]取值為list[0....i-1]實際上indeces[0:2]只取了indices第一個和第二個數值0和2，代表數據在0和2行，其余位置皆為0；inices[2:3]取了indices[2]的數值2，代表數據在第2行，其余位置皆為0.

coo_matrix
這個就更容易了，給我一分鐘。直接上例子如下：即n行，m列存了data[i]，其余位置皆為0.

>>> from scipy.sparse import coo_matrix
>>> coo_matrix((3, 4), dtype=np.int8).toarray()
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]], dtype=int8)
>>>
>>> row  = np.array([0, 3, 1, 0])
>>> col  = np.array([0, 3, 1, 2])
>>> data = np.array([4, 5, 7, 9])
>>> coo_matrix((data, (row, col)), shape=(4, 4)).toarray()
array([[4, 0, 9, 0],
       [0, 7, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 5]])

轉自csdn
參考文檔
https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csc_matrix.html#scipy.sparse.csc_matrix
https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.coo_matrix.html#scipy.sparse.coo_matrix