设计算法实现特殊矩阵的压缩存储，并实现矩阵元素按下标检索

算法设计用于特殊矩阵的压缩存储通常针对那些稀疏矩阵，即大部分元素值为零的矩阵。这种存储可以节省大量空间，因为非零元素无需单独存储每个值。一种常见的压缩存储方法是“三元组”或“坐标压缩”。

1. **Compressed Sparse Row (CSR) 格式**：
- 存储非零行首地址（row indices）在一维数组`col_ptr[]`中，表示第i行的第一个非零元素所在列的位置。
- 另一维数组`values[]`存储所有非零元素的实际值。
- 对于每一行，有一个对应的索引数组`row_indices[]`，它包含该行内非零元素的列索引。

2. **Compressed Sparse Column (CSC) 格式**：
- 类似于CSR，只是将非零行首地址换成了非零列首地址（col_indices[]），并把非零值按列存储（values[]）。

3. **实现按索引检索**：
- 要获取某个位置`(i, j)`的值，首先查找到对应行`i`的`col_ptr[i]`，然后在`values`数组中找到从`col_ptr[i]`开始到`col_ptr[i+1]`之间，列索引等于`j`的那个值。

**示例Python代码片段**（假设已经初始化了CSR/CSC矩阵对象`sparse_matrix`）:

def get_value(sparse_matrix, row, col):
    if sparse_matrix.format == 'csr':
        return sparse_matrix.values[sparse_matrix.col_ptr[row]:sparse_matrix.col_ptr[row + 1]][col]
    elif sparse_matrix.format == 'csc':
        return sparse_matrix.values[col][sparse_matrix.row_indices[col]]

**相关问题--:**
1. CSR和CSC格式各适用于哪些类型的矩阵？
2. 如何在读取密集矩阵时转换为压缩存储？
3. 压缩存储对矩阵运算的时间复杂度有何影响？