简介
如果数据中有很多 NaN 的值，存储起来就会浪费空间。为了解决这个问题，Pandas 引入了一种叫做 Sparse data 的结构，来有效的存储这些 NaN 的值。
Spare data 的例子
我们创建一个数组，然后将其大部分数据设置为 NaN，接着使用这个数组来创建 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]: tsOut[4]: 0 0.4691121 -0.2828632 NaN3 NaN4 NaN5 NaN6 NaN7 NaN8 -0.8618499 -2.104569dtype: Sparse[float64, nan]
复制代码
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.
SparseArray
arrays.SparseArray 是一个 ExtensionArray ，用来存储稀疏的数组类型。
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]: sparrOut[17]: [-1.9556635297215477, -1.6588664275960427, nan, nan, nan, 1.1589328886422277, 0.14529711373305043, nan, 0.6060271905134522, 1.3342113401317768]Fill: nanIntIndexIndices: array([0, 1, 5, 6, 8, 9], dtype=int32)
复制代码
使用 numpy.asarray() 可以将其转换为普通的数组：
In [18]: np.asarray(sparr)Out[18]: array([-1.9557, -1.6589, nan, nan, nan, 1.1589, 0.1453, nan, 0.606 , 1.3342])
复制代码
SparseDtype
SparseDtype 表示的是 Spare 类型。它包含两种信息，第一种是非 NaN 值的数据类型，第二种是填充时候的常量值，比如 nan：
In [19]: sparr.dtypeOut[19]: Sparse[float64, nan]
复制代码
可以像下面这样构造一个 SparseDtype：
In [20]: pd.SparseDtype(np.dtype('datetime64[ns]'))Out[20]: Sparse[datetime64[ns], NaT]
复制代码
可以指定填充的值：
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')]
复制代码
Sparse 的属性
可以通过 .sparse 来访问 sparse：
In [23]: s = pd.Series([0, 0, 1, 2], dtype="Sparse[int]")
In [24]: s.sparse.densityOut[24]: 0.5
In [25]: s.sparse.fill_valueOut[25]: 0
复制代码
Sparse 的计算
np 的计算函数可以直接用在 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: nanIntIndexIndices: array([0, 3], dtype=int32)
复制代码
SparseSeries 和 SparseDataFrame
SparseSeries 和 SparseDataFrame 在 1.0.0 的版本时候被删除了。取代他们的是功能更强的 SparseArray。
看下两者的使用上的区别：
# Previous way>>> pd.SparseDataFrame({"A": [0, 1]})
复制代码
# New wayIn [31]: pd.DataFrame({"A": pd.arrays.SparseArray([0, 1])})Out[31]: A0 01 1
复制代码
如果是 SciPy 中的 sparse 矩阵，那么可以使用 DataFrame.sparse.from_spmatrix() ：
# Previous way>>> from scipy import sparse>>> mat = sparse.eye(3)>>> df = pd.SparseDataFrame(mat, columns=['A', 'B', 'C'])
复制代码
# New wayIn [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.dtypesOut[35]: A Sparse[float64, 0]B Sparse[float64, 0]C Sparse[float64, 0]dtype: object
复制代码
本文已收录于 http://www.flydean.com/13-python-pandas-sparse-data/
最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
评论