In [333]: from scipy import sparse

In [334]: M = sparse.csr_matrix(H)    
In [335]: M
Out[335]: 
<3x7 sparse matrix of type '<class 'numpy.float32'>'
    with 8 stored elements in Compressed Sparse Row format>

M存储为：

In [336]: M.indptr
Out[336]: array([0, 4, 6, 8], dtype=int32)    
In [337]: M.data
Out[337]: array([1., 2., 3., 4., 5., 6., 7., 8.], dtype=float32)    
In [338]: M.indices
Out[338]: array([0, 1, 2, 4, 1, 3, 3, 6], dtype=int32)

我们可以在由indptr定义的切片上迭代，并取min：

In [340]: for i in range(M.shape[0]):
     ...:     sl = slice(M.indptr[i],M.indptr[i+1])
     ...:     x, y = M.data[sl], M.indices[sl]
     ...:     m = np.argmin(x)
     ...:     print(y[m], x[m])
     ...:     
0 1.0
1 5.0
3 7.0

这可以简化一点，但它给出了基本的想法。
用lil来描述所发生的事情可能更容易：

In [341]: Ml = M.tolil()

In [342]: Ml.data
Out[342]: 
array([list([1.0, 2.0, 3.0, 4.0]), list([5.0, 6.0]), list([7.0, 8.0])],
      dtype=object)
In [343]: Ml.rows
Out[343]: array([list([0, 1, 2, 4]), list([1, 3]), list([3, 6])], dtype=object)

In [344]: for d,r in zip(Ml.data, Ml.rows):
     ...:     m = np.argmin(d)
     ...:     print(r[m], d[m])
     ...:     
0 1.0
1 5.0
3 7.0

以前的SO要求按行提供最小（或最大）N值。
稀疏矩阵最适合用矩阵乘法来表示，包括行（或列）和，甚至csr索引也是用矩阵乘法来完成的，其他的逐行运算就不那么容易了。

你可以翻转所有的数据，找到最大值。这是假设你所有的数据都是正数，就像例子中的那样。

M_inv = M.copy()
M_inv.data = 1/M.data
one_over_min_M = M_inv.max(axis=1)

min_M = 1/one_over_min_M.to_array()

在您的示例中，我得到了输出

[[1.       ]
 [5.       ]
 [6.9999995]]

这里有一些可怕的数字错误，但如果你愿意round你的答案...
编辑：如果你在追求指数，并想做M_inv.argmax(axis=1)，这种方法可能是可取的，否则它可能不是最好的。