为何scipy.sparse.csr_matrix支持广播乘法却不支持广播减法？

1. 乘法广播实现平铺，但减法报错的原因 #

我尝试理解scipy稀疏矩阵的平铺方法，其中最高赞的实现是通过矩阵乘法完成单行平铺：

from scipy.sparse import csr_matrix
import numpy as np

sparse_row = csr_matrix([[0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0]])
repeat_number = 3
repeated_row_matrix = csr_matrix(np.ones([repeat_number,1])) * sparse_row

将结果转为稠密矩阵后，输出符合预期：

print(f"repeated_row_matrix.todense() =\n{repeated_row_matrix.todense()}")

输出：

repeated_row_matrix.todense() =
[[0 0 0 0 0 1 0 1 1 0 0 0]
 [0 0 0 0 0 1 0 1 1 0 0 0]
 [0 0 0 0 0 1 0 1 1 0 0 0]]

这里(3,1)的全1稀疏矩阵和(1,12)的单行稀疏矩阵相乘，得到了(3,12)的平铺矩阵，行为类似numpy的广播。但换成减法时：

sparse_row = csr_matrix([[0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0]])
repeat_number = 3
repeated_row_matrix = csr_matrix(np.ones([repeat_number,1])) - sparse_row
print(f"repeated_row_matrix.todense() =\n{repeated_row_matrix.todense()}")

会直接报错：

ValueError: inconsistent shapes

这是预期行为吗？如果是，原因是什么？我猜测乘法的非零元素数最多是两个矩阵非零元素数的最小值，而减法最坏会是两者之和，这能解释行为差异吗？

2. 稀疏矩阵单行向量减法的优化需求 #

我需要实现从稀疏矩阵中减去单行向量（用于K-medoids的稀疏实现），目前的做法是先通过乘法广播平铺行再做减法，但肯定有更高效的方法，希望得到优化建议。

3. 索引式平铺方法的原理 #

评论里提到一种更简洁的平铺方法：

sparse_row[np.zeros(repeat_number),:]

这个方法有效，但我不清楚它的原理——如果是numpy数组，这个操作不会实现平铺。请问这个操作对应的scipy稀疏矩阵功能是什么？有没有相关文档说明？

内容的提问来源于stack exchange，提问作者pandamonium