Python Pandas Series.to_dense()用法及代码示例

Pandas 系列是带有轴标签的一维ndarray。标签不必是唯一的，但必须是可哈希的类型。该对象同时支持基于整数和基于标签的索引，并提供了许多方法来执行涉及索引的操作。

Pandas Series.to_dense()函数返回NDFrame的密集表示(相对于稀疏)。这本质上意味着将分配内存以甚至将丢失的值存储在数据帧中。

用法： Series.to_dense()

范例1：采用Series.to_dense()函数将给定的序列对象转换为密集的序列对象。

# 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_dense()函数以将给定的Series对象转换为密集的Series对象。

# convert to dense object 
sr.to_dense()

输出：

正如我们在输出中看到的，Series.to_dense()函数已返回给定系列对象的密集表示形式。如果我们由于这个原因注意到我们的系列对象没有缺失值，那么两个输出看起来都是一样的。我们来看另一个包含一些缺失值的示例。

范例2：采用Series.to_dense()函数将给定的序列对象转换为密集的序列对象。

# 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：

但是，在继续之前，我们先将给定的series对象转换为SparseSeries对象，以查看稀疏版本和密集版本之间的区别。

现在我们将使用Series.to_sparse()函数以实现将给定Series对象转换为SparseSeries对象。

# convert to Sparse object 
sr.to_sparse()

输出：

正如我们在输出中看到的，Series.to_sparse()函数已成功将给定的series对象转换为sparseseries对象。如果我们看一下下面两行，它返回了有关内存块位置以及这些块中包含的值数的信息。

现在我们将使用Series.to_dense()函数以将给定的Series对象转换为密集的Series对象。

# convert to dense object 
sr.to_dense()

输出：

正如我们在输出中看到的，Series.to_dense()函数已返回给定系列对象的密集表示形式。它分配了内存以存储系列中的缺失值。当缺少大量数据时，密集表示对内存的效率不高。