有几种方法可以做到这一点。这里有一个创建csr_matrix的方法，因为您显示的数据接近于此格式。（该文档字符串对csr_matrix属性data进行了简要说明，indices和indptr。）这是否是最佳方法（对于“最佳”的某些定义）取决于数据的实际“原始”形式（以及其他因素）。
我假设您可以将locations列中显示的数据放入一个名为locations的列表中。即使列表为空，locations中的 * 每行 * 都有一个条目，这一点很重要。我还假设locations中给出的值是从0开始的索引，对应于矩阵的列。下面是一个示例：形成具有形状（5，8）阵列。

In [23]: locations = [[2, 3], [], [1, 3, 5], [0, 1, 7], [7]]

为了形成indptr，我们计算列表的长度的累积和，并且预先挂起0：

In [28]: lengths = np.array([len(t) for t in locations])

In [29]: lengths
Out[29]: array([2, 0, 3, 3, 1])

In [30]: indptr = np.concatenate(([0], lengths.cumsum()))

In [31]: indptr
Out[31]: array([0, 2, 2, 5, 8, 9])

indices只是locations的扁平化版本。请注意，下面的sum()是Python内置的sum()函数，而不是np.sum。该函数调用连接了locations中的所有列表。

In [32]: indices = sum(locations, start=[])

In [33]: indices
Out[33]: [2, 3, 1, 3, 5, 0, 1, 7, 7]

数组的数据是一个长度与索引相同的1数组：

In [38]: data = np.ones_like(indices)

现在我们已经有了创建SciPy csr_matrix所需的所有部分：

In [39]: from scipy.sparse import csr_matrix

In [40]: A = csr_matrix((data, indices, indptr))

In [41]: A
Out[41]: 
<5x8 sparse matrix of type '<class 'numpy.int64'>'
    with 9 stored elements in Compressed Sparse Row format>

In [42]: A.toarray()
Out[42]: 
array([[0, 0, 1, 1, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0],
       [0, 1, 0, 1, 0, 1, 0, 0],
       [1, 1, 0, 0, 0, 0, 0, 1],
       [0, 0, 0, 0, 0, 0, 0, 1]])