目录
一、用法精讲
371、pandas.Series.sparse.density属性
371-1、语法
371-2、参数
371-3、功能
371-4、返回值
371-5、说明
371-6、用法
371-6-1、数据准备
371-6-2、代码示例
371-6-3、结果输出
372、pandas.Series.sparse.fill_value属性
372-1、语法
372-2、参数
372-3、功能
372-4、返回值
372-5、说明
372-6、用法
372-6-1、数据准备
372-6-2、代码示例
372-6-3、结果输出
373、pandas.Series.sparse.sp_values属性
373-1、语法
373-2、参数
373-3、功能
373-4、返回值
373-5、说明
373-6、用法
373-6-1、数据准备
373-6-2、代码示例
373-6-3、结果输出
374、pandas.Series.sparse.from_coo方法
374-1、语法
374-2、参数
374-3、功能
374-4、返回值
374-5、说明
374-6、用法
374-6-1、数据准备
374-6-2、代码示例
374-6-3、结果输出
375、pandas.Series.sparse.to_coo方法
375-1、语法
375-2、参数
375-3、功能
375-4、返回值
375-5、说明
375-6、用法
375-6-1、数据准备
375-6-2、代码示例
375-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
一、用法精讲
371、pandas.Series.sparse.density属性
371-1、语法
# 371、pandas.Series.sparse.density属性
pandas.Series.sparse.density
The percent of non- fill_value points, as decimal.371-2、参数
无
371-3、功能
计算并返回稀疏Series中非缺失(有效)值的占比。
371-4、返回值
返回一个浮点数，取值范围从0到1：
- 0 表示该稀疏Series中没有非缺失值。
- 1 表示该稀疏Series中所有值都是非缺失值。
- 其他值则表示非缺失值与总值的比例，例如0.25表示有25%的值是非缺失的。
371-5、说明
无
371-6、用法
371-6-1、数据准备
无371-6-2、代码示例
# 371、pandas.Series.sparse.density属性
import pandas as pd
import numpy as np
# 创建一个稀疏Series
s = pd.Series(pd.arrays.SparseArray([1, np.nan, 2, np.nan, 3]))
# 获取非缺失值的密度
density = s.sparse.density
print("非缺失值的密度:", density) 371-6-3、结果输出
# 371、pandas.Series.sparse.density属性
# 非缺失值的密度: 0.6372、pandas.Series.sparse.fill_value属性
372-1、语法
# 372、pandas.Series.sparse.fill_value属性
pandas.Series.sparse.fill_value
Elements in data that are fill_value are not stored.
For memory savings, this should be the most common value in the array.372-2、参数
无
372-3、功能
在稀疏数组中那些未显式存储元素的默认值。例如，如果fill_value被设置为0，那么所有未存储的元素都会被视为0，该属性使得稀疏数据结构更高效，因为仅需存储那些与fill_value不同的元素。
372-4、返回值
返回值是稀疏数组中默认填充值的类型和值。例如：
- 如果你创建了一个稀疏数组并指定fill_value=0，那么这个属性将返回0。
- 如果你创建了一个稀疏数组并指定fill_value=-1，那么这个属性将返回-1。
372-5、说明
无
372-6、用法
372-6-1、数据准备
无372-6-2、代码示例
# 372、pandas.Series.sparse.fill_value属性
import pandas as pd
import numpy as np
# 创建一个稀疏Series，缺失值默认填充为0
s = pd.Series(pd.arrays.SparseArray([1, np.nan, 2, np.nan, 3]))
# 查看fill_value属性
print(s.sparse.fill_value)
# 创建一个自定义fill_value的稀疏Series
s_custom = pd.Series(pd.arrays.SparseArray([1, -1, 2, -1, 3], fill_value=-1))
# 查看自定义fill_value属性
print(s_custom.sparse.fill_value)372-6-3、结果输出
# 372、pandas.Series.sparse.fill_value属性
# nan
# -1373、pandas.Series.sparse.sp_values属性
373-1、语法
# 373、pandas.Series.sparse.sp_values属性
pandas.Series.sparse.sp_values
An ndarray containing the non- fill_value values.373-2、参数
无
373-3、功能
提取稀疏数组中的实际存储数据，这些数据是与fill_value不同的值，因为稀疏数组不存储与fill_value相同的元素，所以sp_values只会包含那些显式存储的、非默认的元素。
373-4、返回值
返回一个NumPy数组，包含稀疏数组中的实际存储值，这些值与fill_value不同，并且是稀疏数据中需要存储和操作的部分。
373-5、说明
无
373-6、用法
373-6-1、数据准备
无373-6-2、代码示例
# 373、pandas.Series.sparse.sp_values属性
import pandas as pd
import numpy as np
# 创建一个稀疏Series，缺失值默认填充为0
s = pd.Series(pd.arrays.SparseArray([1, 0, 2, 0, 3]))
# 查看sp_values属性
print(s.sparse.sp_values)
# 创建一个自定义fill_value的稀疏Series
s_custom = pd.Series(pd.arrays.SparseArray([1, -1, 2, -1, 3], fill_value=-1))
# 查看自定义fill_value的sp_values属性
print(s_custom.sparse.sp_values)373-6-3、结果输出
# 373、pandas.Series.sparse.sp_values属性
# [1 2 3]
# [1 2 3]374、pandas.Series.sparse.from_coo方法
374-1、语法
# 374、pandas.Series.sparse.from_coo方法
pandas.Series.sparse.from_coo(A, dense_index=False)
Create a Series with sparse values from a scipy.sparse.coo_matrix.
Parameters:
A
scipy.sparse.coo_matrix
dense_index
bool, default False
If False (default), the index consists of only the coords of the non-null entries of the original coo_matrix. If True, the index consists of the full sorted (row, col) coordinates of the coo_matrix.
Returns:
s
Series
A Series with sparse values.374-2、参数
374-2-1、A(必须)：一个稀疏矩阵，通常是从scipy.sparse.coo_matrix或类似的稀疏格式创建的矩阵，它表示了一个二维的稀疏矩阵。
374-2-2、dense_index(可选，默认值为False)：一个布尔值参数，表示返回的Series会使用稀疏的索引，如果设置为True，则返回的Series会使用密集的索引。
374-3、功能
将一个COO格式的稀疏矩阵转换为pandas.Series对象，这对于在pandas中处理稀疏数据非常有用，因为可以直接将稀疏矩阵转换为Series形式，从而利用pandas的功能进行进一步的数据操作和分析。
374-4、返回值
返回一个稀疏Series对象，其中包含了从稀疏矩阵A中提取的数据。
374-5、说明
无
374-6、用法
374-6-1、数据准备
无374-6-2、代码示例
# 374、pandas.Series.sparse.from_coo方法
import pandas as pd
import scipy.sparse as sp
# 创建一个稀疏的COO矩阵
A = sp.coo_matrix([[1, 0, 0], [0, 0, 2], [0, 3, 0]])
# 从COO矩阵创建一个稀疏的pandas Series
sparse_series = pd.Series.sparse.from_coo(A)
print(sparse_series)374-6-3、结果输出
# 374、pandas.Series.sparse.from_coo方法
# 0 0 1
# 1 2 2
# 2 1 3
# dtype: Sparse[int32, 0]375、pandas.Series.sparse.to_coo方法
375-1、语法
# 375、pandas.Series.sparse.to_coo方法
pandas.Series.sparse.to_coo(row_levels=(0,), column_levels=(1,), sort_labels=False)
Create a scipy.sparse.coo_matrix from a Series with MultiIndex.
Use row_levels and column_levels to determine the row and column coordinates respectively. row_levels and column_levels are the names (labels) or numbers of the levels. {row_levels, column_levels} must be a partition of the MultiIndex level names (or numbers).
Parameters:
row_levels
tuple/list
column_levels
tuple/list
sort_labels
bool, default False
Sort the row and column labels before forming the sparse matrix. When row_levels and/or column_levels refer to a single level, set to True for a faster execution.
Returns:
y
scipy.sparse.coo_matrix
rows
list (row labels)
columns
list (column labels)375-2、参数
375-2-1、row_levels(可选，默认值为(0,))：一个元组或列表，用于指定将Series的索引级别映射为稀疏矩阵的行索引，默认值为(0,)，表示使用Series的第一个索引级别作为行索引。
375-2-2、column_levels(可选，默认值为(1,))：一个元组或列表，用于指定将Series的索引级别映射为稀疏矩阵的列索引，默认值为(1,)，表示使用Series的第二个索引级别作为列索引。
375-2-3、sort_labels(可选，默认值为False)：一个布尔值参数，如果设置为True，则会在转换之前对行和列的标签进行排序。对于大多数情况，不排序会更高效，尤其是索引已经排序的情况下。
375-3、功能
将一个多层索引的稀疏Series转换为一个COO格式的稀疏矩阵，这在处理需要矩阵表示的数据时非常有用，特别是在进行线性代数操作或使用其他需要稀疏矩阵的库时(例如scipy.sparse)。
375-4、返回值
返回一个scipy.sparse.coo_matrix对象，这是一个标准的COO格式稀疏矩阵。
375-5、说明
无
375-6、用法
375-6-1、数据准备
无375-6-2、代码示例
# 375、pandas.Series.sparse.to_coo方法
import pandas as pd
# 创建一个稀疏的Series带有多层索引
s = pd.Series([1, 2, 3],
index=pd.MultiIndex.from_tuples([(0, 1), (1, 2), (2, 0)]),
dtype="Sparse[int]")
# 将Series转换为COO格式的稀疏矩阵
coo_matrix = s.sparse.to_coo(row_levels=(0,), column_levels=(1,))
# 打印稀疏矩阵
print(coo_matrix)
375-6-3、结果输出
# 375、pandas.Series.sparse.to_coo方法
# (<3x3 sparse matrix of type '<class 'numpy.int32'>'
# with 3 stored elements in COOrdinate format>, [(0,), (1,), (2,)], [(1,), (2,), (0,)])
