在python/R中使用稀疏矩阵的优缺点？

我正在用python处理大型稀疏矩阵（由文本生成的文档特征矩阵）。仔细研究这些需要相当多的处理时间和内存，我认为稀疏矩阵可以提供一些改进。但我担心使用稀疏矩阵库会使插入其他python（以及R，通过rpy2）模块变得更加困难

---

过了这座桥的人能提供一些建议吗？在性能、可伸缩性和兼容性方面，在python/R中使用稀疏矩阵的优缺点是什么？

在python中使用稀疏矩阵本身可能不是一个好主意。 你退房了吗

Numpy带来了在Python中主要使用C代码来提高性能的巨大好处

从我在R中进行文本处理的有限经验来看，除了探索性的数据分析之外，它的性能使它几乎不可用

---

无论如何，你不应该对稀疏矩阵使用普通的列表，这将（可以理解）需要一段时间来仔细研究它们。

有几种方法来表示稀疏矩阵（R SparseM包的文档报告了存储稀疏矩阵数据的20种不同方法），因此，与所有解决方案完全兼容可能是不可能的。数字选项还表明，在所有情况下都没有最佳解决方案

---

根据在这些矩阵上发现的大量数字运算例程（numpy或R），选择numpy稀疏矩阵或R的SparseM（通过rpy2）。

我看过这些文档，但我很难读出其中的含义。其他库是否与稀疏矩阵类兼容？我希望获得哪些类型的速度/内存增益？