> For the complete documentation index, see [llms.txt](https://rachel2011.gitbook.io/leetcode_cc150/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://rachel2011.gitbook.io/leetcode_cc150/leetcode/sparse-matrix-multiplication.md).

# Sparse Matrix Multiplication

Given two [sparse matrices](https://en.wikipedia.org/wiki/Sparse_matrix) **A** and **B**, return the result of **AB**.

You may assume that **A**'s column number is equal to **B**'s row number.

**Example:**

```
A = [
  [ 1, 0, 0],
  [-1, 0, 3]
]

B = [
  [ 7, 0, 0 ],
  [ 0, 0, 0 ],
  [ 0, 0, 1 ]
]


     |  1 0 0 |   | 7 0 0 |   |  7 0 0 |
AB = | -1 0 3 | x | 0 0 0 | = | -7 0 3 |
                  | 0 0 1 |
```

这道题让我们实现稀疏矩阵相乘，稀疏矩阵的特点是矩阵中绝大多数的元素为0，而相乘的结果是还应该是稀疏矩阵，即还是大多数元素为0，那么我们使用传统的矩阵相乘的算法肯定会处理大量的0乘0的无用功，所以我们需要适当的优化算法，使其可以顺利通过OJ，我们知道一个 i x k 的矩阵A乘以一个 k x j 的矩阵B会得到一个 i x j 大小的矩阵C，那么我们来看结果矩阵中的某个元素C\[i]\[j]是怎么来的，起始是A\[i]\[0]\*B\[0]\[j] + A\[i]\[1]\*B\[1]\[j] + ... + A\[i]\[k]\*B\[k]\[j]，那么为了不重复计算0乘0，我们首先遍历A数组，要确保A\[i]\[k]不为0，才继续计算，然后我们遍历B矩阵的第k行，如果B\[K]\[J]不为0，我们累加结果矩阵res\[i]\[j] += A\[i]\[k] \*B\[k]\[j]; 这样我们就能高效的算出稀疏矩阵的乘法

```
class Solution(object):
    def multiply(self, A, B):
        """
        :type A: List[List[int]]
        :type B: List[List[int]]
        :rtype: List[List[int]]
        """
        result = [[0]*len(B[0]) for _ in xrange(len(A))]
        for i in xrange(len(A)):
            for j in xrange(len(A[0])):
                if A[i][j] != 0:
                    for k in xrange(len(B[0])):
                        if B[j][k] != 0:
                            result[i][k] += A[i][j]*B[j][k]
        return result
```

注意初始化result的写法