首先在数据处理的过程对于参数的理解开始解析稀疏矩阵的优化储存方式 Python中的数据缺失问题比较:axis作为制定轴的参数: 默认为0 – If `axis=0`, then impute along如果他是0的话,那么代表的是列; 如果他不是0,而是1的话,那么代表的是行 copy决定是否在原有基础上修改值除以总的元素counts,得到一个分式,在机器学习当中,稀疏矩阵运用的十分广泛且平凡,因为很多0元素的矩阵计算起来非常方便,计算量小 由于稀疏矩阵的特性,如果在内存中分配和稠密矩阵同样的内存给他的话,那么会导致内存极度浪费,