【小白笔记】稀疏数组 (Sparse Array) 在计算机科学中的存储优化问题

稀疏数组 (Sparse Array) 在计算机科学中的存储优化 问题。使用字典（Python 中的 dict）来存储稀疏数组的方法，通常被称为坐标列表法 (Coordinate List, COO) 或字典键值对法。

数组 (Array): 一种数据结构，用于存储固定大小的、相同类型元素的集合。在数学和编程中，通常指矩阵（Matrix）或向量（Vector）。
稀疏 (Sparse): 英文单词 Sparse (adj.) 意为"稀疏的、零星的、贫乏的"。
- 词源：来源于拉丁语 sparsus，意为"散布的、分散的"。
稀疏数组 (Sparse Array / Sparse Matrix):
- 指数组（特别是二维数组/矩阵 ）中绝大多数 元素的值都是零（或某个默认值）的情况。

对于一个 1000×10001000 \times 10001000×1000 的矩阵，如果其中只有 10 个非零元素，但您仍然用 1000×1000=1001000 \times 1000 = 1001000×1000=100 万个位置来存储它，这会造成巨大的内存浪费。

"用 [i, j] 做 key" 的意思是：我们不存储所有零元素，而只存储那些非零元素。

这种方法使用一个 Python 字典 (Dictionary) 来存储数据，其结构如下：

Dictionary={Key:Value}\text{Dictionary} = \{ \text{Key} : \text{Value} \}Dictionary={Key:Value}

在这种稀疏存储法中：

Key (键): 数组中非零元素 的坐标，即它的行索引 iii 和列索引 jjj 。在 Python 中，通常用元组 (Tuple) (i, j) 来表示键，因为元组是不可变的，可以作为字典的键。
Value (值): 位于该坐标 (i, j) 上的非零元素的值。

假设有一个 3×33 \times 33×3 的稀疏矩阵 AAA:

A=(050000−200) A = \begin{pmatrix} 0 & 5 & 0 \\ 0 & 0 & 0 \\ -2 & 0 & 0 \end{pmatrix} A= 00−2500000

传统存储 (浪费内存): 需要 3×3=93 \times 3 = 93×3=9 个内存单元。

字典存储法 (内存优化): 只存储两个非零元素的位置和值：

sparse_dict={(0,1):5,(2,0):−2}\text{sparse\_dict} = \{ (0, 1) : 5, \quad (2, 0) : -2 \}sparse_dict={(0,1):5,(2,0):−2}

解读:

字典 (Dictionary): Python 中的核心数据结构，存储键值对 (Key-Value Pairs)。
哈希表 (Hash Table): 专业术语 。字典内部实现的数据结构，通过哈希函数 (Hash Function) 将键映射到存储位置，以实现快速的查找、插入和删除操作。

总而言之，用 (i, j) 做 Key 存入字典，是一种高效且空间友好的稀疏数组存储技术，核心思想是"只记录非零数据的位置和值"。