这个术语不是由python scipy发明的，而是已经存在于稀疏矩阵表示科学中
存在可以表示稀疏矩阵的各种格式。
格式可分为两组：
1.支持有效修改的列表，如DOK（关键字字典）、LIL（列表列表）或COO（坐标列表）。这些列表通常用于构建矩阵。
1.支持高效访问和矩阵运算的那些，如CSR（压缩稀疏行）或CSC（压缩稀疏列）。

协调人名单（COO）
COO存储（行，列，值）元组的列表。理想情况下，对条目进行排序（先按行索引，再按列索引）以提高随机访问时间。这是另一种适合增量矩阵构造的格式
压缩的稀疏行（CSR）

压缩的稀疏行（CSR）或压缩的行存储（CRS）格式表示矩阵M乘以三个（一维）数组，这些数组分别包含非零值、行区和列索引。此格式允许快速行访问和矩阵向量乘法。
CSR格式使用三个（一维）数组（A，IA，JA）以行的形式存储一个稀疏的m × n矩阵M，令NNZ表示M中非零项的个数（注意，这里应该使用从零开始的索引）。
数组A的长度为NNZ，并以从左到右、从上到下（“行主”）的顺序保存M的所有非零项。
1.数组IA的长度为m + 1。它由以下递归定义定义：
I_A [0] = 0
IA[i] = IA[i − 1] +（原始矩阵中第i − 1行的非零元素个数）
因此，IA的前m个元素存储M的每行中的第一个非零元素在A中的索引，并且最后一个元素IA[m]存储NNZ，即A中的元素的数目，其也可以被认为是刚好超出矩阵M的末尾的假想行的第一个元素在A中的索引。
原始矩阵的第i行的值从元素A[IA[i]]到A[IA[i + 1] − 1]（包括两端）读取，即从一行的开始到下一行开始之前的最后一个索引。
第三个数组JA包含A的每个元素的M中的列索引，因此长度也是NNZ。
例如，矩阵0 0 0 0
五八
0 0 3 0
0 6 0 0
是具有4个非零元素的4 × 4矩阵，因此
A = [ 5 8 3 6 ]
IA = [ 0 0 2 3 4 ]
JA = [ 0 1 2 1 ]
来源：https://en.wikipedia.org/wiki/Sparse_matrix

csr_matrix首先考虑行，而csc_matrix首先考虑列。
这里有一个简单的例子来说明：让我们看一个矩阵，

mat = [[1, 0, 0],
       [5, 0, 2],
       [0, -1, 0],
       [0, 0, 3]]

csr_matrix首先给出行中非零元素的位置，然后转到第二行，再转到第三行，依此类推。例如，csr_matrix（mat）返回：

(0, 0)  1.0 -- first row
(1, 0)  5.0 -- second row
(1, 2)  2.0 -- second row
(2, 1)  -1.0 --third row
(3, 2)  3.0 -- fourth row

类似地，csc_matrix给出第一列中非零元素的位置，然后是第二列，依此类推。

(0, 0)  1.0 -- first column
(1, 0)  5.0 -- first column
(2, 1)  -1.0 -- second column
(1, 2)  2.0 -- third column
(3, 2)  3.0 -- third column

csr_matrix和csc_matrix均针对高效访问、矩阵操作（如行/列切片）和矢量操作进行了优化。
coo_matrix已优化为构造稀疏矩阵。它在内部与csr_matrix不同，但当您简单打印时，它看起来相同。

稀疏矩阵大部分包含零。coo_matrix、csr_matrix和csc_matrix都是稀疏矩阵类。coo_matrix是行、列和值的列表。这种类型的稀疏矩阵对于算术来说是低效的，因为如果您有一个包含许多零的大型矩阵，你实际上并不想计算所有的零，你只想计算稀疏矩阵中的非零值，csr_matrix和csc_matrix就是这个问题的解。csr和csc实际上是三个1-D矩阵，它们具有非零值、列索引和行指针，而不是列出稀疏矩阵中的所有值（对于csr），它告诉我们非零值在稀疏矩阵中的位置。我不想重写教科书，所以这里有更多的信息和一个例子。
回答你的第二个问题。你想使用scipy.sparse.dok_matrix。这是一个基于键的稀疏矩阵字典。你可以用MATLAB风格编辑它，然后将其转换为csr或csc进行算术运算。下面是一个动态编辑的简单示例：

>>> A = scipy.sparse.dok_matrix((5,5))
>>> A[2,3] = 7
>>> print A
  (2, 3)      7.0

我想你在找的是这样的东西：

row  = np.array([0,0,0,0])
col  = np.array([0,1,2,5])
data = np.array([1,2,3,5])
coo_matrix((data,(row,col))).todense()

其给出：

matrix([[1, 2, 3, 0, 0, 5]])

Here是指向scipy文档的链接