稀疏矩阵

Sparse Matrix
大部分元素都是零的矩阵

在科学计算、数据分析、机器学习等领域，稀疏矩阵经常出现，因为很多实际问题中的矩阵表示会有大量的零元素。

处理稀疏矩阵时，通常不会直接存储所有的零值，而是只存储和操作非零元素，这样可以大大减少内存使用和计算时间。

稀疏矩阵在处理大规模数据集时非常有用，因为它们可以显著减少内存占用和计算资源，从而提高算法的效率。

稀疏矩阵几乎产生于所有的大型科学工程计算领域，包括计算流体力学、统计物理、电路模拟、图像处理、纳米材料计算等。

存储方式

压缩稀疏行（Compressed Sparse Row, CSR）：将矩阵的行表示为三个数组：一个存储非零值，一个存储每行的非零值的列索引，一个存储每行的起始位置。这种方法适合于行操作和矩阵运算。

压缩稀疏列（Compressed Sparse Column, CSC）：与CSR类似，但是是按列来存储数据，适合于列操作。

块压缩稀疏行（Block Compressed Row Storage, BCRS）：是CSR的一种变体，将矩阵分割成块，每个块作为一个单元存储。