如何向量化生成scipy稀疏矩阵的代码？kNN推荐系统场景适配

我打算搭建一个以kNN算法为核心的包推荐系统，具体的实现思路和当前的代码片段整理如下：

核心数据结构说明 #

• 输入特征矩阵：用m×n的稀疏矩阵X来存储数据，其中m代表包的数量，每个包包含n个特征。
• 输出关联矩阵：最终要构建一个m×m的稀疏矩阵K，赋值规则是：如果X[j]是X[i]的k近邻匹配结果，那么K[i,j]就等于X[i]与X[j]行向量的点积；反之则为0。

算法执行步骤 #

• 第一步：运行kNN算法，为矩阵X中的每一行（也就是每个包）找出对应的k个最近匹配项。
• 第二步：根据kNN返回的匹配结果，按照规则填充稀疏矩阵K。

当前编写的代码片段 #

X = ... 
knn = NearestNeighbors(n_neighbors=self.n...)

内容的提问来源于stack exchange，提问作者James Ko