让我们逐个回答您的问题：

1. 确定使用稀疏矩阵的阈值：将是否使用稀疏矩阵的决定基于零值的百分比并不总是准确的。这取决于数据集的大小以及内存限制。一般来说，如果数据集非常大且大部分值为零，则使用稀疏矩阵可能是一个好主意。但对于较小的数据集或者非常稠密的数据集，使用稀疏矩阵可能会增加复杂性而不提供太多的好处。

2. 稀疏矩阵对性能的影响：稀疏矩阵通常会在内存效率方面提供显著的好处，尤其是在处理大规模数据时。它们可以减少内存占用，并且可以在某些情况下提高计算效率。但是，在某些情况下，例如对于小型或密集的数据集，稀疏矩阵可能会导致一些性能损失，因为稀疏矩阵需要更多的计算和处理时间。

3. 从numpy数组转换为csr_matrix：将数据从numpy数组转换为csr_matrix是一个常见的做法，特别是当您已经在使用SciPy库时。csr_matrix是一种常见的稀疏矩阵格式，适用于大多数的线性代数运算。您可以使用scipy.sparse.csr_matrix()函数来完成这个转换，这是一个有效的方法。

总之，使用稀疏矩阵的决定应该基于您的数据集的特征和任务的要求。对于大型数据集和大部分值为零的情况，稀疏矩阵通常是一个好选择。但是，对于小型或密集的数据集，可能没有必要使用稀疏矩阵。最重要的是，通过实验和测试，确定哪种方法最适合您的特定情况。