Pandas 稀疏数据结构的实现_Python

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]: 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.

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]: 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)

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])

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.dtype

									Out[19]: Sparse[float64, nan]

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]

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')]

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.density

									Out[24]: 0.5

									In [25]: s.sparse.fill_value

									Out[25]: 0

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: nan

									IntIndex

									Indices: array([0, 3], dtype=int32)

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]})

				?

									# 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'])

				?

									# 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