Python的scipy.sparse.csr_matrix转Matlab：如何实现对应S变量？

咱先拆解下你这段Python代码的核心逻辑：生成一个r×n的稀疏矩阵S，其中非零元素的位置由随机行索引R、固定列索引C（0到n-1）决定，非零值是±1的随机数。下面是对应的Matlab实现，关键是用好Matlab的sparse函数来替代SciPy的csr_matrix：

完整Matlab代码 #

% 第一步：获取数据M的行列数（对应Python的np.shape(M)）
[m, n] = size(M);

k = 10;
r = k * 5;

% 生成列索引数组C：0到n-1（对应Python的np.arange(n)）
C = 0:n-1;

% 生成随机行索引R：n个0到r-1的整数（对应Python的np.random.random_integers(r, size=n)-1）
% Matlab的randi可以直接指定范围，避免额外减1操作
R = randi([0, r-1], n, 1);

% 生成±1的随机数组D（对应Python的np.random.randint(2, size=n)*2 -1）
D = 2 * randi([0, 1], n, 1) - 1;

% 核心：创建稀疏矩阵S
% 注意！Matlab是1-based索引，而Python是0-based，所以R和C必须加1才能正确映射位置
% 默认生成的是CSC（压缩列存储）格式，和Python的CSR（压缩行存储）格式不同，但绝大多数操作都兼容
S = sparse(R + 1, C + 1, D, r, n);

% 如果你的场景必须严格使用CSR格式（比如大量行操作），可以用这两种方式转换：
% 方法1：转置CSC矩阵得到CSR（Matlab所有版本支持）
S_csr = S.';
% 方法2：Matlab R2021b及以上版本，直接指定格式创建
% S_csr = sparse(R + 1, C + 1, D, r, n, 'format', 'csr');

关键细节说明 #

• 索引差异：这是最容易踩坑的点！Python用0-based索引，Matlab用1-based，所以必须给R和C各加1，否则会出现索引越界或者元素位置错误的问题。
• 稀疏矩阵格式：Matlab默认生成的是CSC格式，而Python的csr_matrix是行存储格式。如果只是常规的矩阵运算（乘法、切片等），两种格式几乎没有差异；如果需要专门的行操作，转置成CSR格式即可（转置CSC等价于CSR）。
• 随机数生成：Matlab的randi函数和Python的random_integers/randint逻辑一致，直接指定范围就能生成对应整数，不用额外做减1操作。

内容的提问来源于stack exchange，提问作者Rebecca20