官网链接：https://docs.scipy.org/doc/scipy/reference/sparse.html
常用的几种稀疏矩阵存储形式以及适用场景：
1. csr_matrix:
优点：1. 能进行高效的算术运算。如：csr+csr，csr*csr
2. 行切片很高效
3. 矩阵向量内积很快
缺点：1. 列切片很慢 （可以考虑csc）
2. 稀疏结构的改变很昂贵（可以考虑lil，dok）
2. csc_matrix:
优点：1. 同上能进行高效的算术运算
2. 有效的列切片
3. 很快的矩阵向量内积（csr，bsr更快）
缺点：1. 行切片慢（考虑csr）
2. 稀疏结构的改变很昂贵（考虑lil,dok）
3. coo_matrix：
优点：1. 转换成其它存储格式很快捷简便
2. 转换成csr/csc很快
3. 允许重复的索引（例如在1行1列处存了值2.0，又在1行1列处存了值3.0，则转换成其它矩阵时就是
2.0+3.0=5.0）
缺点：1. 不直接支持切片
2. 不能直接进行算术计算
coo_matrix构建稀疏矩阵非常快捷，实际中可以转换成csr/csc形式进行切片，算术计算与向量内积计算。
4. bsr_matrix：
很类似于csr，更适合于矩阵的某些子矩阵很多值，在某些情况下比csr和csc计算更高效。
5. dia_matrix：
对角线存储方式，0就在主对角线，-1在主对角线下方的第一条对角线。具体见官网例子。
6. dok_matrix：
优点：依靠键的字典构建矩阵，对于递增的构建稀疏矩阵很高效，比如定义该矩阵后，想进行每行每列更新值，可用该矩阵。当访问某个单
元，只需要O(1)
缺点：不允许重复索引（coo中适用），但可以很高效的转换成coo后进行重复索引
7. lil_matrix：
优点： 1. 支持灵活的切片
2. 转换成其它存储方式很高效
3. 适合递增的构建成矩阵
缺点：1. lil+lil等算术运算很慢（可以考虑csr,csc）
2. 列切片很慢（可以考虑csc）
3. 矩阵向量内积很慢（考虑csr,csc）
4. 当矩阵很大时，考虑用coo
注：
稀疏矩阵计算中注意事项：
1.matrix.multiply()：
适合矩阵对应索引元素乘，即结果的每个元素sij=xij*yij，需区别它与点乘。
有两个好处：a.该方法适合广播，即矩阵乘以一个行向量可以广播到该矩阵的每一行。
b.该方法计算后对于计算后矩阵中元素为0的自动忽略。比如a矩阵的第0行0列为1，b矩阵的第0行0列为0，则乘了之 后第0行0列存储时不会有值。
c.如果是稀疏矩阵*稀疏矩阵，则为矩阵点乘，而密集矩阵*密集矩阵则是对应元素相乘
2.lil_matrix:
2.1 lil_matirx平时应用很广，例如，对一个很大的方阵的对角线循环shape[0]次赋值，lil_matrix远快于csc和csr，所以这种操作建议先转换为 lil_matrix
2.2 当进行一些矩阵运算的时候，原始为lil_matrix，之后可能会变成csr_matrix，所以注意检查慢的原因是不是变成了其它稀疏矩阵格式。
2.3 当保存稀疏矩阵时，lil_matrix不适合 原文：matrix: spmatrix (format: ``csc``, ``csr``, ``bsr``, ``dia`` or coo``)
