我有一个大型稀疏矩阵存储在一个文件中，由于内存限制，我需要批量处理它。我正在寻找一种有效的方法来读取和处理稀疏矩阵的连续部分，而无需立即将整个文件加载到内存中。
我尝试使用Python中的scipy.sparse模块来处理稀疏矩阵。但是，可用的函数（如scipy.sparse.load_npz()）将整个矩阵加载到内存中，这对我的情况来说是不可行的。
下面是我当前代码的一个例子：

class SparseDataLoader:
    def __init__(self, file_name, batch_size, image_width, image_height):
        self.sparse_matrix = sc.sparse.load_npz(file_name)
        self.batch_size = batch_size
        self.image_width = image_width
        self.image_height = image_height
        self.num_batches = self.sparse_matrix.shape[0] // batch_size

    def __iter__(self):
        for batch_index in range(self.num_batches):
            start_index = batch_index * self.image_width * self.batch_size
            end_index = (batch_index + 1) * self.image_width * self.batch_size

            rows_to_extract = np.arange(start_index, end_index)
            batch_sparse_matrix = self.sparse_matrix[rows_to_extract, :]

            batch_dense_matrix = batch_sparse_matrix.toarray()
            batch_images = batch_dense_matrix.reshape(self.batch_size, self.image_width, self.image_height, 1)
            batch_images = np.transpose(batch_images, (0, 2, 1, 3))
            yield batch_images

有没有办法修改这段代码，使其一次只读取和处理稀疏矩阵的一部分？我想加载矩阵的连续部分，创建密集矩阵的批次，并避免将整个文件加载到内存中。
我已经研究了scipy.sparse模块，但我找不到允许阅读特定行或部分加载矩阵的函数。有没有更有效的方法或不同的库可以处理这种情况？
任何关于如何有效地批量读取和处理大型稀疏矩阵的建议或指导都将非常感谢。谢谢你！
下面是我创建数据集的问题的链接：如何在Python中从稀疏2D矩阵创建预定义大小的小批量？