根据您存储在矩阵中的值的类型（numpy.float64或numpy.int64），下面的帖子可能会回答您的问题：https://github.com/scipy/scipy/issues/13329#issuecomment-753541268
特别是，注解“* 显然，当数据是numpy数组而不是列表时，我没有得到错误。*”表明将data作为numpy.array而不是list可以解决您的问题。
希望这至少能让你走上正轨。

如果没有data，我就无法复制您的问题，而且即使使用这么大的数组，我也可能不想这样做。
但是我将试着说明当用这种方法构造一个矩阵时，我期望发生什么。从另一个问题开始，我在Ipython会话中有一个小矩阵：

In [60]: Mx
Out[60]: 
<1x3 sparse matrix of type '<class 'numpy.intc'>'
    with 2 stored elements in Compressed Sparse Row format>
In [61]: Mx.A
Out[61]: array([[0, 1, 2]], dtype=int32)

nonzero返回coo索引，行，列

In [62]: Mx.nonzero()
Out[62]: (array([0, 0], dtype=int32), array([1, 2], dtype=int32))

csr属性包括：

In [63]: Mx.data,Mx.indices,Mx.indptr
Out[63]: 
(array([1, 2], dtype=int32),
 array([1, 2], dtype=int32),
 array([0, 2], dtype=int32))

现在，让我们使用Mx的属性创建一个新的矩阵。假设您正确地构建了indptr、indices和data，这应该可以模仿您所做的操作：

In [64]: newM = sparse.csr_matrix((Mx.data, Mx.indices, Mx.indptr))    
In [65]: newM.A
Out[65]: array([[0, 1, 2]], dtype=int32)

data两个矩阵之间的匹配：

In [68]: Mx.data==newM.data
Out[68]: array([ True,  True])

data的id不匹配，但它们的基匹配。请参阅我最近的回答，了解为什么这是相关的
https://stackoverflow.com/a/74543855/901925

In [75]: id(Mx.data.base), id(newM.data.base)
Out[75]: (2255407394864, 2255407394864)

这意味着对newA的更改将出现在Mx中：

In [77]: newM[0,1] = 100
In [78]: newM.A
Out[78]: array([[  0, 100,   2]], dtype=int32)
In [79]: Mx.A
Out[79]: array([[  0, 100,   2]], dtype=int32)

富勒试验

让我们对您的代码进行一个小规模测试：

In [92]: data = np.array([[1.23,2],[3],[]],object); ind = np.array([[1,2],[3],[]],object)
    ...: indptr = np.empty(4)  
    ...: indptr[0] = 0
    ...: for i in range(1, 4):
    ...:     indptr[i] = indptr[i-1] + len(data[i-1])
    ...: data = np.concatenate(data).ravel()    
    ...: ind = np.concatenate(ind).ravel()  # same than above
In [93]: data,ind,indptr
Out[93]: (array([1.23, 2.  , 3.  ]), array([1., 2., 3.]), array([0., 2., 3., 3.]))

而稀疏矩阵：

In [94]: X = sparse.csr_matrix((data, ind, indptr), shape=(3,3))    
In [95]: X
Out[95]: 
<3x3 sparse matrix of type '<class 'numpy.float64'>'
    with 3 stored elements in Compressed Sparse Row format>

data匹配项：

In [96]: X.data
Out[96]: array([1.23, 2.  , 3.  ])
In [97]: data == X.data
Out[97]: array([ True,  True,  True])

且实际上是view：

In [98]: data[1]+=.23; data
Out[98]: array([1.23, 2.23, 3.  ])    
In [99]: X.A
Out[99]: 
array([[0.  , 1.23, 2.23],
       [0.  , 0.  , 0.  ],
       [3.  , 0.  , 0.  ]])

哎呀

我在指定X形状时出错：

In [110]: X = sparse.csr_matrix((data, ind, indptr), shape=(3,4))
In [111]: X.A
Out[111]: 
array([[0.  , 1.23, 2.23, 0.  ],
       [0.  , 0.  , 0.  , 3.  ],
       [0.  , 0.  , 0.  , 0.  ]])
In [112]: X.data
Out[112]: array([1.23, 2.23, 3.  ])
In [113]: X.nonzero()
Out[113]: (array([0, 0, 1], dtype=int32), array([1, 2, 3], dtype=int32))
In [114]: X[X.nonzero()]
Out[114]: matrix([[1.23, 2.23, 3.  ]])
In [115]: data
Out[115]: array([1.23, 2.23, 3.  ])
In [116]: data == X[X.nonzero()]
Out[116]: matrix([[ True,  True,  True]])