【Eigen】 3.4.90快速参考指南Sparse linear algebra

稀疏矩阵-稀疏线性代数 

在这个页面，我们对SparseMatrix类中可用的稀疏矩阵的主要操作进行了快速总结。首先，建议阅读稀疏矩阵操作的入门教程。在处理稀疏矩阵时，需要记住的重要一点是它们是如何存储的：即行优先或列优先。默认为列优先。大多数稀疏矩阵的算术操作都会断言它们具有相同的存储顺序。

Sparse Matrix Initialization稀疏矩阵初始化

Matrix properties矩阵属性

除了基本函数rows()和cols()之外，还有一些有用的函数可供轻松从矩阵中获取信息。

sm1.rows(); // 行数
sm1.cols(); // 列数
sm1.nonZeros(); // 非零值的数量
sm1.outerSize(); // 列优先（列主）的列数（或行主的行数）
sm1.innerSize(); // 行主的行数（或列主的列数）
sm1.norm(); // 矩阵的欧几里得范数
sm1.squaredNorm(); // 矩阵的平方范数
sm1.blueNorm();
sm1.isVector(); // 检查 sm1 是否为稀疏向量或稀疏矩阵
sm1.isCompressed(); // 检查 sm1 是否为压缩形式

算术运算

在稀疏矩阵上执行算术运算很容易，前提是维度足够，并且矩阵具有相同的存储顺序。需要注意的是，计算总是可以在具有不同存储顺序的矩阵中完成。在以下内容中，sm表示稀疏矩阵，dm表示密集矩阵，dv表示密集向量

其它支持的操作

http://eigen.tuxfamily.org/dox/group__SparseQuickRefPage.html