设稀疏矩阵M(m*n)中有t个非零元素，用三元组表的方式存储。设计一个算法，计算矩阵M的转置矩阵N，且算法的时间复杂性为O(n+t)，并用代码实现

稀疏矩阵的转置通常不需要将所有元素复制，因为原稀疏矩阵中的非零位置在转置后依然保持稀疏。我们可以直接利用三元组表（也称为压缩行表示法，Compressed Row Storage, CRS）来高效地实现这一操作。

算法步骤：
1. 初始化一个新的三元组表N，用于存储转置后的稀疏矩阵，同样为m*n大小，但记录列索引而非行索引。
2. 遍历原稀疏矩阵M的三元组表，对于每个非零元素(i, j)，将其添加到新矩阵N的(j, i)位置。由于原三元组表是按照行顺序存储的，所以遍历时先处理行i的所有非零元素。
3. 时间复杂度分析：转置过程中每条边(i, j)都会被处理一次，因此时间复杂度是O(t)，因为只遍历了t个非零元素；同时，对每个非零元素，我们需要更新N的一个元素，所以总共需要n次操作。因此总的时间复杂性为O(n + t)。

下面是Python的简单实现：

def transpose_sparse_matrix(CRS_M):
    m, n, nnz = len(CRS_M), CRS_M[0][0], len(CRS_M)
    N = [(0, 0)] * (m * n)  # 新的三元组表，预设为全零
    row_ptr, col_ind = zip(*CRS_M)  # 分离行指针和列下标

    # 转置过程
    for i in range(nnz):
        new_row, old_col = col_ind[i], row_ptr[i]
        N[new_row * n + old_col] = (row_ptr[i + 1] - 1, i)

    return N

# 示例数据，假设原始三元组表如：
# CRS_M = [(0, 0), (0, 1), (1, 2), (2, 3)]
# 则转置结果为：
# transpose_sparse_matrix(CRS_M) -> [(0, 0), (1, 0), (2, 2), (3, 3)]