从理论到代码：手把手实现COO/CSR/CSC稀疏矩阵转换器（附性能优化技巧）

从理论到代码：手把手实现COO/CSR/CSC稀疏矩阵转换器（附性能优化技巧）

在处理大规模数据时，我们常常会遇到一种特殊的矩阵：其中绝大多数元素都是零。想象一下，你正在构建一个推荐系统，用户-物品交互矩阵可能有上百万行和列，但每个用户只与极少数的物品有过互动。如果用一个普通的二维数组来存储这个矩阵，你的内存会瞬间被海量的零值吞噬。这就是稀疏矩阵（Sparse Matrix）登场的时刻。对于算法工程师和计算机专业的学生而言，理解并高效操作稀疏矩阵，是处理图数据、自然语言处理特征、科学计算仿真等任务的基本功。

稀疏矩阵的魅力在于“存其精华，去其糟粕”——只存储非零元素及其位置。但这带来了新的挑战：如何组织这些零散的数据，才能在节省空间的同时，支持高效的矩阵运算？这就引出了几种经典的存储格式：COO、CSR和CSC。它们各有千秋，适用于不同的场景。COO（坐标格式）结构直观，易于构建；CSR（压缩稀疏行格式）擅长行操作，是矩阵向量乘法的利器；CSC（压缩稀疏列格式）则是列操作和矩阵转置的专家。

然而，仅仅知道概念是不够的。在实际项目中，我们经常需要在不同格式间转换，以适应不同的计算内核。网上虽然有很多库（如SciPy）提供了现成的转换函数，但知其然更要知其所以然。亲手实现这些转换器，不仅能让你透彻理解row_ptr压缩、列优先遍历等底层逻辑，更能让你掌握在特定场景下进行性能调优的主动权。本文将带你从零开始，用纯Python实现这三种核心格式的相互转换，并深入剖析每一步背后的原理与优化空间。我们会避开现成库的“黑箱”，用最直接的代码揭示数据结构的奥秘。

1. 基石：理解三种存储格式的核心数据结构

在动手写代码之前，我们必须像建筑师审视蓝图一样，清晰地理解COO、CSR、CSC这三种格式在内存中是如何布局的。这是所有转换和优化工作的基础。

COO (Coordinate Format，坐标格式) 是最直白的一种。它用三个长度相等的数组来记录所有非零元素：

• row_indices: 存储每个非零元素的行索引。
• col_indices: 存储每个非零元素的列索引。
• values: 存储每个非零元素的具体值。

例如，一个4x4的矩阵：

[[1, 0, 0, 0],
 [0, 2, 8, 0],
 [5, 0, 3, 9],
 [0, 6, 0, 4]]

它的COO表示可能是（假设按行主序收集非零元素）：

row_indices = [0, 1, 1, 2, 2, 2, 3, 3]
col_indices = [0, 1, 2, 0, 2, 3, 1, 3]
values      = [1, 2, 8, 5, 3, 9, 6, 4]

COO的优点是构建极其灵活，添加或删除一个非零元素只需在三个数组末尾进行操作。但其缺点也很明显：它没有利用“同一行的元素行索引相同”这一事实，存储了冗余的行索引信息，并且在执行如矩阵-向量乘法时，效率不高。

CSR (Compressed Sparse Row，压缩稀疏行格式) 正是为了优化COO的行索引冗余和行操作效率而生的。它同样使用三个数组，但含义不同：

• data (或 values): 存储所有非零元素的值，按行优先顺序排列。
• indices: 存储每个非零元素对应的列索引，顺序与data一致。
• indptr (行指针数组): 这是CSR的精髓。它的长度是矩阵行数 + 1。indptr[i]给出了第i行第一个非零元素在data和indices数组中的起始索引。第i行的非零元素范围就是data[indptr[i]:indptr[i+1]]。

以上述矩阵为例，其CSR表示为：

indptr  = [0, 1, 3, 6, 8] # 第0行从索引0开始，有1个元素；第1行从索引1开始，有2个元素...
indices = [0, 1, 2, 0, 2, 3, 1, 3]
data    = [1, 2, 8, 5, 3, 9, 6, 4]

indptr数组的压缩效果非常显著。对于有nnz个非零元素、m行的矩阵，COO需要存储nnz个行索引，而CSR只需要存储m+1个行指针。当行数远小于非零元素数时，节省的空间非常可观。

CSC (Compressed Sparse Column，压缩稀疏列格式) 是CSR的“列版本”，原理完全对称：

• data: 存储所有非零元素的值，按列优先顺序排列。
• indices: 存储每个非零元素对应的行索引，顺序与data一致。
• indptr (列指针数组): 长度是矩阵列数 + 1。indptr[j]给出了第j列第一个非零元素在data和indices数组中的起始索引。

同样矩阵的CSC表示为：

indptr  = [0, 2, 4, 6, 8] # 第0列从索引0开始，有2个元素...
indices = [0, 2, 1, 3, 1, 2, 2, 3]
data    = [1, 5, 2, 6, 8, 3, 9, 4]

为了更直观地对比三者的异同和内存占用，我们可以看下面这个总结表：