在機器學習中，數據集往往非常龐大，但是很多情況下，其中包含大量的零元素。在矩陣中，若數值爲0的元素數目遠遠多於非0元素的數目，並且非0元素分佈沒有規律時，則稱該矩陣爲 稀疏矩陣；與之相反，若非0元素數目佔大多數時，則稱該矩陣爲 稠密矩陣。
稀疏矩陣只保存矩陣中的非零元素，忽略值爲零的剩餘元素，這樣能節省大量的計算成本。
在壓縮的稀疏行（compressed sparse row, CSR) 矩陣中，可以使用下標標記矩陣元素中的非零值，在大型矩陣計算中，有明顯的優勢。
import numpy as np
from scipy import sparse
# 創建一個矩陣
matrix = np.array([[0, 0, 0, 0, 0, 0], [0, 1, 0, 0, 0, 0], [3, 0, 0, 0, 0, 0]])
# 創建一個壓縮的稀疏行（compressed sparse row,CSR)矩陣
matrix_sparse = sparse.csr_matrix(matrix)
print(matrix_sparse)
# 結果：
# (1, 1) 1
# (2, 0) 3
在需要的時候，可以通過調用 todense() 函數將稀疏矩陣轉換回密集矩陣。
# 重建密集矩陣
B = matrix_sparse.todense()
print(B)
當然，除了CSR外，還有許多其他類型的稀疏矩陣，比如，壓縮的稀疏列矩陣、表中表以及鍵值對詞典等，不同類型的稀疏矩陣適用於不同的場景，需要大家在學習及使用過程中多多比較、總結。
在許多情況中，需要先通過計算矩陣的稀疏性來判斷矩陣是稠密矩陣還是稀疏矩陣。雖然Numpy不提供直接計算矩陣稀疏性的函數。但是我們可以通過定義，利用矩陣中的非零值數量和矩陣大小來輕鬆地將稀疏度計算出來。
Numpy數組中的非零元素的數量可以由 count_nonzero() 函數給出，數組中的元素總個數可以由數組的 size 屬性給出。因此，可以將數組稀疏度計算爲：
sparsity = 1.0 - np.count_nonzero(matrix) / matrix.size
可得，上文中matrix矩陣的稀疏度爲0.8888888888888888。