追加到一个列表（或多个列表）总是比追加到numpy.array或sparse矩阵（将数据存储在几个numpy数组中）更快。lil应该是最快的，当你不得不递增矩阵时，但它仍然比直接使用列表慢。
Numpy数组有固定的大小。因此，np.append函数实际上通过将旧数据与新数据连接起来创建了一个新数组。
如果你给我们一些数据，你的示例代码会更有用，所以我们剪切，粘贴和运行。
为简单起见，让我们定义

data_dict=dict(one=[1,0,2,3,0,0,4,5,0,0,6])

稀疏矩阵可以直接从这里创建：

sparse.coo_matrix(data_dict['one'])

其属性为：

data:  array([1, 2, 3, 4, 5, 6])
row:   array([0, 0, 0, 0, 0, 0], dtype=int32)
col:   array([ 0,  2,  3,  6,  7, 10], dtype=int32)

或

sparse.lil_matrix(id_data['one'])
data: array([[1, 2, 3, 4, 5, 6]], dtype=object)
rows: array([[0, 2, 3, 6, 7, 10]], dtype=object)

coo版本的速度要快得多。
稀疏矩阵只保存非零数据，但它也必须保存索引。还有一种字典格式，它使用元组(row,col)作为键。
增量构造的示例是：

llm = sparse.lil_matrix((1,11),dtype=int)
for i in range(11):
    llm[0,i]=data_dict['one'][i]

对于这种小的情况，这种增量方法更快。
我通过只将非零项添加到稀疏矩阵中来获得更好的速度：

llm = sparse.lil_matrix((1,11),dtype=int)
for i in range(11):
    if data_dict['one'][i]!=0:
       llm[0,i]=data_dict['one'][i]

我可以想象把这个应用到你默认的dict示例中。与myvec[id].append(0)不同的是，您保留了附加item * 0.5值的位置的记录（无论是在单独的列表中，还是通过lil_matrix）。要将这种想法应用到默认字典中需要一些实验。
因此，基本上目标是创建两个列表：

data = [1, 2, 3, 4, 5, 6]
cols = [ 0,  2,  3,  6,  7, 10]

是否根据这些数据创建稀疏矩阵取决于您需要对数据执行的其他操作。