这可以部分工作，直到你尝试对数组做很多事情。如果你子集，子数组很有可能会被完全读入内存，否则你会得到一个错误。
这里的一个重要考虑是，底层代码是假设数组是典型的内存中numpy数组来编写的。对于mmapped数组和内存数组，随机访问的成本是非常不同的。事实上，这里的大部分代码（在编写时）都是用Cython编写的，它可能无法处理更奇特的数组类型。
此外，只要内存数组的行为相同，大多数代码都可以随时更改。当我了解到我使用的一些代码正在这样做时，我个人对此感到非常震惊，但底层数组使用h5py.Dataset s。它工作得非常好，直到scipy的bug修复版本完全打破了它。

我通过做这些事情来让它有效地工作：

• 我使用tobytes()将data、indices和indptr转储到二进制文件中。
• 我加载了每个数组的mmap对象。
• 我确保indices和indptr的数据类型相同;否则，当您构造csr_matrix时，其中一个将被转换。
• 我明确地提供了稀疏矩阵的shape;否则构造函数将检查数组内容，这会使构造变慢。
• 最后，也是这个列表中最特别的事情，我编辑了我的本地scipy/sparse/_compressed.py脚本，在矩阵构造函数中调用get_index_dtype()时关闭了check_contents（通过将其设置为False）。

我怀疑如果没有我编辑scipy源代码，构造函数也会成功，但这需要很长时间。通过上述步骤，加载一个大型mmapping稀疏矩阵基本上是即时的，我可以在上面执行我需要的操作。

这工作没有任何问题。