推薦系統中經常需要處理類似user_id, item_id, rating這樣的數據，其實就是數學里面的稀疏矩陣，scipy中提供了sparse模塊來解決這個問題，但scipy.sparse有很多問題不太合用：

1、不能很好的同時支持data[i, ...]、data[..., j]、data[i, j]快速切片；
2、由于數據保存在內存中，不能很好的支持海量數據處理。

要支持data[i, ...]、data[..., j]的快速切片，需要i或者j的數據集中存儲；同時，為了保存海量的數據，也需要把數據的一部分放在硬盤上，用內存做buffer。這里的解決方案比較簡單，用一個類Dict的東西來存儲數據，對于某個i（比如9527），它的數據保存在dict['i9527']里面，同樣的，對于某個j（比如3306），它的全部數據保存在dict['j3306']里面，需要取出data[9527, ...]的時候，只要取出dict['i9527']即可，dict['i9527']原本是一個dict對象，儲存某個j對應的值，為了節省內存空間，我們把這個dict以二進制字符串形式存儲，直接上代碼：
代碼如下:

'''
Sparse Matrix
'''
import struct
import numpy as np
import bsddb
from cStringIO import StringIO
 
class DictMatrix():
    def __init__(self, container = {}, dft = 0.0):
        self._data  = container
        self._dft   = dft
        self._nums  = 0
 
    def __setitem__(self, index, value):
        try:
            i, j = index
        except:
            raise IndexError('invalid index')
 
        ik = ('i%d' % i)
        # 為了節省內存，我們把j, value打包成字二進制字符串
        ib = struct.pack('if', j, value)
        jk = ('j%d' % j)
        jb = struct.pack('if', i, value)
 
        try:
            self._data[ik] += ib
        except:
            self._data[ik] = ib
        try:
            self._data[jk] += jb
        except:
            self._data[jk] = jb
        self._nums += 1