1. sparse模块的官方document地址：http://docs.scipy.org/doc/scipy/reference/sparse.html
2. sparse matrix的存储形式有很多种，见此帖子http://blog.csdn.net/anshan1984/article/details/8580952
不同的存储形式在sparse模块中对应如下：
bsr_matrix(arg1[, shape, dtype, copy, blocksize]) Block Sparse Row matrix
coo_matrix(arg1[, shape, dtype, copy]) A sparse matrix in COOrdinate format.
csc_matrix(arg1[, shape, dtype, copy]) Compressed Sparse Column matrix
csr_matrix(arg1[, shape, dtype, copy]) Compressed Sparse Row matrix
dia_matrix(arg1[, shape, dtype, copy]) Sparse matrix with DIAgonal storage
dok_matrix(arg1[, shape, dtype, copy]) Dictionary Of Keys based sparse matrix.
lil_matrix(arg1[, shape, dtype, copy]) Row-based linked list sparse matrix
3. 要将普通的非稀疏矩阵变为相应存储形式的稀疏矩阵只要如下：（以coo_matrix为例）
A = coo_matrix([[1,2],[3,4]])
或者按照相应存储形式的要求，喂给参数，构建矩阵，以coo为例：
>>> row = np.array([0,0,1,3,1,0,0])
>>> col = np.array([0,2,1,3,1,0,0])
>>> data = np.array([1,1,1,1,1,1,1])
>>> coo_matrix((data, (row,col)), shape=(4,4)).todense()
matrix([[3, 0, 1, 0],
[0, 2, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 1]])
4. hstack和vstack函数可以将稀疏矩阵横向或者纵向合并，比如：
>>> from scipy.sparse import coo_matrix, vstack
>>> A = coo_matrix([[1,2],[3,4]])
>>> B = coo_matrix([[5,6]])
>>> vstack( [A,B] ).todense()
matrix([[1, 2],
[3, 4],
[5, 6]])
但是经过测试，如果A和B的数据形式不一样，不能合并。比如A存储的是字符串，B是数字，那么不能合并。也就是说一个矩阵中的数据格式必须是相同的。
5. diags函数可以建立稀疏的对角矩阵
6. 对于大多数（似乎只处了coo之外）稀疏矩阵的存储格式，都可以进行slice操作，比如对于csc，csr。也可以进行arithmetic
operations，矩阵的加减乘除，速度很快。
取矩阵的指定列数，比如取矩阵的第1,3,8列：matrix[:,[0,2,7]]
7.sparce矩阵的读取。可以像常规矩阵一样通过下标读取。也可以通过getrow(i)，gecol(i)读取特定的列或者特定的行，以及nonzero()读取非零元素的位置。