A[1,:]本身是一个稀疏矩阵，其形状为（1，60877）。This 是您要打印的内容，它只有一行，因此所有行坐标都是0。
例如：

In [41]: a = csc_matrix([[1, 0, 0, 0], [0, 0, 10, 11], [0, 0, 0, 99]])

In [42]: a.todense()
Out[42]: 
matrix([[ 1,  0,  0,  0],
        [ 0,  0, 10, 11],
        [ 0,  0,  0, 99]], dtype=int64)

In [43]: print(a[1, :])
  (0, 2)    10
  (0, 3)    11

In [44]: print(a)
  (0, 0)    1
  (1, 2)    10
  (1, 3)    11
  (2, 3)    99

In [45]: print(a[1, :].toarray())
[[ 0  0 10 11]]

您可以选择列，但如果列中没有非零元素，则使用print输出时不显示任何内容：

In [46]: a[:, 3].toarray()
Out[46]: 
array([[ 0],
       [11],
       [99]])

In [47]: print(a[:,3])
  (1, 0)    11
  (2, 0)    99

In [48]: a[:, 1].toarray()
Out[48]: 
array([[0],
       [0],
       [0]])

In [49]: print(a[:, 1])

In [50]:

最后一个print调用没有显示输出，因为列a[:, 1]没有非零元素。

要使用与问题详细信息不同的技术回答标题问题：
csc_matrix提供了.nonzero()方法。
给定：

>>> import numpy as np
>>> from scipy.sparse.csc import csc_matrix
>>> 
>>> row = np.array( [0, 1, 3])
>>> col = np.array( [0, 2, 3])
>>> data = np.array([1, 4, 16])
>>> A = csc_matrix((data, (row, col)), shape=(4, 4))

您可以通过以下方式访问指向非零数据的索引：

>>> rows, cols = A.nonzero()
>>> rows
array([0, 1, 3], dtype=int32)
>>> cols
array([0, 2, 3], dtype=int32)

然后，您可以使用它来访问数据，而无需创建稀疏矩阵的密集版本：

>>> [((i, j), A[i,j]) for i, j in zip(*A.nonzero())]
[((0, 0), 1), ((1, 2), 4), ((3, 3), 16)]

如果是用TfidfTransformer计算TFIDF分数，你可以通过tfidf.idf_得到IDF，那么稀疏数组名，比如'a'，a.toarray().
toarray返回ndarray;todense返回一个矩阵。如果需要矩阵，请使用todense;否则，使用toarray。

我完全承认所有其他给出的答案。这只是一个不同的方法。
为了演示这个例子，我创建了一个新的稀疏矩阵：

from scipy.sparse.csc import csc_matrix
a = csc_matrix([[1, 0, 0, 0], [0, 0, 10, 11], [0, 0, 0, 99]])
print(a)

输出：

(0, 0)  1
(1, 2)  10
(1, 3)  11
(2, 3)  99

为了方便访问，就像访问列表一样，我将其转换为列表。

temp_list = []
for i in a:
    temp_list.append(list(i.A[0]))

print(temp_list)

输出：

[[1, 0, 0, 0], [0, 0, 10, 11], [0, 0, 0, 99]]

这看起来可能很愚蠢，因为我创建了一个稀疏矩阵并将其转换回来，但是有一些函数，如**TfidfVectorizer**和其他函数，会返回一个稀疏矩阵作为输出，处理它们可能会很棘手，这是从稀疏矩阵中提取数据的一种方法。

这个领域起步较晚，但对于那些寻找一种方法来索引稀疏csr或csc矩阵元素的人来说，可以将非零行、列和数据数组转换为panda Dataframe ，并从矩阵的数据属性中提取元素，这种简单的技术不需要转换为密集数组。
让我们创建稀疏数组。

import numpy as np
import pandas as pd
from scipy import stats
from scipy.sparse import csr_matrix, random
from numpy.random import default_rng

rng = default_rng()
rvs = stats.poisson(25, loc=10).rvs
A = random(5, 5, density=0.25, random_state=rng, data_rvs=rvs)
A.A

产出

array([[32.,  0., 32.,  0.,  0.],
       [ 0., 29.,  0.,  0.,  0.],
       [ 0.,  0.,  0., 30.,  0.],
       [ 0.,  0., 37., 30.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]])

下面的函数接受稀疏csr或csc矩阵，以及所需的非零行和列索引。

def get_element(matrix, row, col):
    rows, cols = matrix.nonzero()
    d = {"row": rows, "col": cols, "data": matrix.data}
    df = pd.DataFrame(data=d)
    element = df[(df["row"] == row) & (df["col"] == col)]["data"].values[0]
    return element

索引到A[3，2]：

get_element(A, row=3,col=2)

输出：37.0