避免内存错误：不转密集矩阵的SciPy lil_matrix扁平化方法

针对你遇到的lil_matrix行视图无法调用flatten()且大数据量下不能转密集矩阵的问题，提供两种内存友好的解决方案：

方案1：转换为CSR稀疏矩阵后一维化 #

LIL矩阵本身不支持flatten()，但CSR格式的稀疏矩阵支持ravel()方法，且LIL转CSR的操作是高效的（仅转换存储结构，不会生成密集矩阵）：

flat_mtx = mtx.getrowview(0).tocsr().ravel()

得到的flat_mtx是一维CSR稀疏矩阵，保留了原行的所有稀疏结构（非零元素值和位置索引），内存占用仅与非零元素数量相关，完全避免密集矩阵的内存开销。

方案2：直接提取非零元素数组 #

如果只需要行中的非零元素值（不需要零元素的位置信息），可以直接访问LIL行视图的内部存储：

flat_non_zero = np.array(mtx.getrowview(0).data[0])

LIL矩阵的每行数据以列表形式存储在data属性中，data[0]就是第0行的非零元素列表，转换为numpy数组后直接得到扁平化的非零元素集合，这是内存开销最小的方式。

测试示例 #

import numpy as np
from scipy.sparse import lil_matrix

# 构建测试用LIL矩阵
mtx = lil_matrix((5, 10), dtype=np.float32)
mtx[0, [2,5,7]] = [1.0, 2.0, 3.0]

# 方案1输出
flat_csr = mtx.getrowview(0).tocsr().ravel()
print("一维CSR稀疏矩阵：")
print(flat_csr)
print("非零元素值：", flat_csr.data)

# 方案2输出
flat_non_zero = np.array(mtx.getrowview(0).data[0])
print("\n扁平化非零元素数组：")
print(flat_non_zero)

输出结果：

一维CSR稀疏矩阵：
  (0, 2)	1.0
  (0, 5)	2.0
  (0, 7)	3.0
非零元素值： [1. 2. 3.]

扁平化非零元素数组：
[1. 2. 3.]

内容的提问来源于stack exchange，提问作者farid