嘿，我来帮你搞定这个问题！你遇到的内存错误其实是个典型误区——你调用了.todense()方法，这会把稀疏矩阵直接转换成密集矩阵。130000×130000的密集矩阵哪怕用float16存储，也需要约33.8GB内存，这远远超出普通机器的内存容量，自然会报错。

稀疏矩阵的核心价值就是只存储非零元素、大幅节省内存，正确做法是全程保留稀疏矩阵格式，绝对不要转换成密集矩阵。下面给你具体操作方案：

1. 初始化空的浮点型稀疏矩阵 #

直接创建指定形状和浮点类型的稀疏矩阵，跳过.todense()：

from scipy.sparse import csc_matrix

# 可根据精度需求选择float16、float32或float64
Matrix1 = csc_matrix((130000, 130000), dtype='float32')

此时矩阵默认全为0，内存占用几乎可以忽略——因为没有存储任何非零元素。

2. 向稀疏矩阵添加非零元素 #

如果需要填充数据，推荐用坐标格式初始化，只存储你需要的非零值：

from scipy.sparse import csc_matrix
import numpy as np

# 准备非零元素的行索引、列索引和对应浮点值
rows = np.array([100, 2000, 50000])  # 示例行坐标
cols = np.array([300, 4000, 60000])  # 示例列坐标
values = np.array([1.23, 4.56, 7.89], dtype='float32')  # 浮点型数值

# 创建带初始数据的稀疏矩阵
Matrix1 = csc_matrix((values, (rows, cols)), shape=(130000, 130000))

这种方式下，内存仅用来存储这几个非零元素，完全不会有内存压力。

3. 稀疏矩阵操作注意事项 #

• 大部分科学计算操作可直接在稀疏矩阵上进行，scipy.sparse库提供了对应工具：

  from scipy.sparse.linalg import inv
  
  # 稀疏矩阵乘法
  result = Matrix1 @ Matrix1.T
  # 稀疏矩阵求逆
  inv_matrix = inv(Matrix1.tocsc())
  

• 如果确实需要查看局部数据，只转换你需要的小范围，别转整个矩阵：

  # 仅查看前10行前10列的密集矩阵
  small_dense = Matrix1[0:10, 0:10].todense()
  

核心记住：稀疏矩阵就是为处理超大矩阵而生的，只要不转成密集矩阵，就不会有内存问题！

内容的提问来源于stack exchange，提问作者hkm