请解释稀疏矩阵压缩存储的方法，并提供常见的针对稀疏矩阵进行增删查改操作的代码示例(如插入元素、删除元素、查询特定位置元素和更新元素等)。

稀疏矩阵压缩存储是为了节省内存空间，特别适用于非密集型数据，其中大部分元素值为零。常见的压缩存储方法有三类：

1. **三元组表示法** (Coordinate List, COO): 使用三个数组，分别存储行索引、列索引和非零值。例如：
- `row[i]`: 第i个非零元素所在的行号
- `col[i]`: 对应的列号
- `val[i]`: 非零值

class SparseMatrix:
    def __init__(self):
        self.row = []
        self.col = []
        self.val = []

# 插入元素
def insert(val, row, col):
    self.row.append(row)
    self.col.append(col)
    self.val.append(val)

# 删除元素
def delete(row, col):
    index = find_index(row, col)
    if index != -1:
        del self.row[index]
        del self.col[index]
        del self.val[index]

# 查询特定位置元素
def get_element(row, col):
    return self.val[find_index(row, col)] if find_index(row, col) != -1 else None

# 更新元素
def update_element(row, col, new_val):
    index = find_index(row, col)
    if index != -1:
        self.val[index] = new_val

# 查找函数 (这里假设已经实现了，查找指定row和col的元素在列表中的位置)
def find_index(row, col):
    # ...

2. **压缩稀疏列存储(CSC, Compressed Column Storage)**: 将非零值按照列排序并合并，每列共享相同的行索引。类似地，有`row_ptr`存储行首位置，`col`和`val`。

3. **压缩稀疏行存储(CRS, Compressed Row Storage)**: 类似于CSC，但按行组织而非列。

对于以上操作，查找函数`find_index`通常需要遍历对应的存储结构，效率取决于矩阵的稀疏程度。如果需要高效操作，可以考虑使用一些专门设计的数据结构，比如自平衡搜索树(BST)或哈希表来加速查找。