关于python:Pandas高级教程之稀疏数据结构

如果数据中有很多 NaN 的值，存储起来就会节约空间。为了解决这个问题，Pandas 引入了一种叫做 Sparse data 的构造，来无效的存储这些 NaN 的值。

咱们创立一个数组，而后将其大部分数据设置为 NaN，接着应用这个数组来创立 SparseArray：

In [1]: arr = np.random.randn(10)

In [2]: arr[2:-2] = np.nan

In [3]: ts = pd.Series(pd.arrays.SparseArray(arr))

In [4]: ts
Out[4]: 
0    0.469112
1   -0.282863
2         NaN
3         NaN
4         NaN
5         NaN
6         NaN
7         NaN
8   -0.861849
9   -2.104569
dtype: Sparse[float64, nan]

这里的 dtype 类型是 Sparse[float64, nan]，它的意思是数组中的 nan 实际上并没有存储，只有非 nan 的数据才被存储，并且这些数据的类型是 float64.

arrays.SparseArray 是一个 ExtensionArray，用来存储稠密的数组类型。

In [13]: arr = np.random.randn(10)

In [14]: arr[2:5] = np.nan

In [15]: arr[7:8] = np.nan

In [16]: sparr = pd.arrays.SparseArray(arr)

In [17]: sparr
Out[17]: 
[-1.9556635297215477, -1.6588664275960427, nan, nan, nan, 1.1589328886422277, 0.14529711373305043, nan, 0.6060271905134522, 1.3342113401317768]
Fill: nan
IntIndex
Indices: array([0, 1, 5, 6, 8, 9], dtype=int32)

应用 numpy.asarray() 能够将其转换为一般的数组：

In [18]: np.asarray(sparr)
Out[18]: 
array([-1.9557, -1.6589,     nan,     nan,     nan,  1.1589,  0.1453,
           nan,  0.606 ,  1.3342])

SparseDtype 示意的是 Spare 类型。它蕴含两种信息，第一种是非 NaN 值的数据类型，第二种是填充时候的常量值，比方 nan：

In [19]: sparr.dtype
Out[19]: Sparse[float64, nan]

能够像上面这样结构一个 SparseDtype：

In [20]: pd.SparseDtype(np.dtype('datetime64[ns]'))
Out[20]: Sparse[datetime64[ns], NaT]

能够指定填充的值：

In [21]: pd.SparseDtype(np.dtype('datetime64[ns]'),
   ....:                fill_value=pd.Timestamp('2017-01-01'))
   ....: 
Out[21]: Sparse[datetime64[ns], Timestamp('2017-01-01 00:00:00')]

能够通过 .sparse 来拜访 sparse：

In [23]: s = pd.Series([0, 0, 1, 2], dtype="Sparse[int]")

In [24]: s.sparse.density
Out[24]: 0.5

In [25]: s.sparse.fill_value
Out[25]: 0

np 的计算函数能够间接用在 SparseArray 中，并且会返回一个 SparseArray。

In [26]: arr = pd.arrays.SparseArray([1., np.nan, np.nan, -2., np.nan])

In [27]: np.abs(arr)
Out[27]: 
[1.0, nan, nan, 2.0, nan]
Fill: nan
IntIndex
Indices: array([0, 3], dtype=int32)

SparseSeries 和 SparseDataFrame 在 1.0.0 的版本时候被删除了。取代他们的是性能更强的 SparseArray。

看下两者的应用上的区别：

# Previous way
>>> pd.SparseDataFrame({"A": [0, 1]})

# New way
In [31]: pd.DataFrame({"A": pd.arrays.SparseArray([0, 1])})
Out[31]: 
   A
0  0
1  1

如果是 SciPy 中的 sparse 矩阵，那么能够应用 DataFrame.sparse.from_spmatrix()：

# Previous way
>>> from scipy import sparse
>>> mat = sparse.eye(3)
>>> df = pd.SparseDataFrame(mat, columns=['A', 'B', 'C'])

# New way
In [32]: from scipy import sparse

In [33]: mat = sparse.eye(3)

In [34]: df = pd.DataFrame.sparse.from_spmatrix(mat, columns=['A', 'B', 'C'])

In [35]: df.dtypes
Out[35]: 
A    Sparse[float64, 0]
B    Sparse[float64, 0]
C    Sparse[float64, 0]
dtype: object

本文已收录于 http://www.flydean.com/13-python-pandas-sparse-data/

最艰深的解读，最粗浅的干货，最简洁的教程，泛滥你不晓得的小技巧等你来发现！

关于python:Pandas高级教程之稀疏数据结构

简介

Spare data 的例子

SparseArray

SparseDtype

Sparse 的属性

Sparse 的计算

SparseSeries 和 SparseDataFrame