Python pandas.Series.sparse.to_coo用法及代码示例

用法: Series.sparse.to_coo(row_levels=(0,), column_levels=(1,), sort_labels=False)

从具有 MultiIndex 的系列创建 scipy.sparse.coo_matrix。

使用row_levels和column_levels分别确定行坐标和列坐标。 row_levels 和column_levels 是级别的名称(标签)或编号。 {row_levels, column_levels} 必须是 MultiIndex 级别名称(或数字)的分区。

参数：

row_levels：元组/列表

column_levels：元组/列表

sort_labels：布尔值，默认为 False

在形成稀疏矩阵之前对行和列标签进行排序。当 row_levels 和/或 column_levels 引用单个级别时，设置为 True 以加快执行速度。

y：scipy.sparse.coo_matrix
rows：列表(行标签)
columns：列表(列标签)

例子：

>>> s = pd.Series([3.0, np.nan, 1.0, 3.0, np.nan, np.nan])
>>> s.index = pd.MultiIndex.from_tuples(
...     [
...         (1, 2, "a", 0),
...         (1, 2, "a", 1),
...         (1, 1, "b", 0),
...         (1, 1, "b", 1),
...         (2, 1, "b", 0),
...         (2, 1, "b", 1)
...     ],
...     names=["A", "B", "C", "D"],
... )
>>> s
A  B  C  D
1  2  a  0    3.0
         1    NaN
   1  b  0    1.0
         1    3.0
2  1  b  0    NaN
         1    NaN
dtype:float64

>>> ss = s.astype("Sparse")
>>> ss
A  B  C  D
1  2  a  0    3.0
         1    NaN
   1  b  0    1.0
         1    3.0
2  1  b  0    NaN
         1    NaN
dtype:Sparse[float64, nan]

>>> A, rows, columns = ss.sparse.to_coo(
...     row_levels=["A", "B"], column_levels=["C", "D"], sort_labels=True
... )
>>> A
<3x4 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in COOrdinate format>
>>> A.todense()
matrix([[0., 0., 1., 3.],
[3., 0., 0., 0.],
[0., 0., 0., 0.]])

>>> rows
[(1, 1), (1, 2), (2, 1)]
>>> columns
[('a', 0), ('a', 1), ('b', 0), ('b', 1)]

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series.sparse.to_coo。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：