跳转至

Python | Pandas series.to_sparse()

原文:https://www.geesforgeks.org/python-pandas-series-to_sparse/

熊猫系列是带有轴标签的一维数组。标签不必是唯一的，但必须是可散列的类型。该对象支持基于整数和基于标签的索引，并提供了一系列方法来执行涉及索引的操作。

熊猫 **Series.to_sparse()**函数将给定的序列对象转换为稀疏数据集。稀疏对象基本上是压缩对象。如果系列对象中的一些数据丢失，那么这些位置将被稀疏化。存储丢失的值不会浪费内存。

语法:series.to_sparse(kind = ' block '，fill_value=None)

参数: 种类: {'block '，' integer ' } fill_value:float，默认为 NaN(缺失)

返回: sp:稀疏存储

示例#1: 使用Series.to_sparse()函数将给定的序列对象转换为稀疏存储对象。

# importing pandas as pd
import pandas as pd

# Creating the Series
sr = pd.Series(['New York', 'Chicago', 'Toronto', 'Lisbon', 'Rio', 'Moscow'])

# Create the Datetime Index
didx = pd.DatetimeIndex(start ='2014-08-01 10:00', freq ='W', 
                     periods = 6, tz = 'Europe/Berlin') 

# set the index
sr.index = didx

# Print the series
print(sr)

输出:

现在我们将使用Series.to_sparse()函数来实现给定的 Series 对象到 SparseSeries 对象的转换。

# convert to Sparse object
sr.to_sparse()

输出:

正如我们在输出中看到的，Series.to_sparse()函数已经成功地将给定的序列对象转换为稀疏对象。

示例 2: 使用Series.to_sparse()函数将给定的序列对象转换为稀疏存储对象。

# importing pandas as pd
import pandas as pd

# Creating the Series
sr = pd.Series([19.5, 16.8, None, 22.78, None, 20.124, None, 18.1002, None])

# Print the series
print(sr)

输出:

现在我们将使用Series.to_sparse()函数来实现给定的 Series 对象到 SparseSeries 对象的转换。

# convert to Sparse object
sr.to_sparse()

输出:

正如我们在输出中看到的那样，Series.to_sparse()函数已经成功地将给定的序列对象转换为稀疏对象。如果我们看下面两行，它已经返回了关于内存块位置和包含在这些块中的值的数量的信息。

回到顶部