https://www.cnblogs.com/datasnail/p/11021835.html
1分钟搞懂简版，首先直接看例子：
1 >>> # Constructing a matrix using ijv format 2 >>> row = np.array([0, 3, 1, 0]) 3 >>> col = np.array([0, 3, 1, 2]) 4 >>> data = np.array([4, 5, 7, 9]) 5 >>> coo_matrix((data, (row, col)), shape=(4, 4)).toarray() 6 array([[4, 0, 9, 0], 7 [0, 7, 0, 0], 8 [0, 0, 0, 0], 9 [0, 0, 0, 5]])
经常的用法大概是这样的：coo_matrix((data, (i, j)), [shape=(M, N)])
这里有三个参数：
data[:] 就是原始矩阵中的数据，例如上面的4,5,7,9；
i[:] 就是行的指示符号；例如上面row的第0个元素是0，就代表data中第一个数据在第0行；
j[:] 就是列的指示符号；例如上面col的第0个元素是0，就代表data中第一个数据在第0列；
综合上面三点，对data中第一个数据4来说，就是原始矩阵中有4这个元素，它在第0行，第0列，即A[i[k], j[k]] = data[k]。以此类推，data中第2个数据5，在第3行，第3列。
最后，有个shape参数是告诉coo_matrix原始矩阵的形状，除了上述描述的有数据的行列，其他地方都按照shape的形式补0。
