Python Pandas Series.to_dense()用法及代碼示例

Pandas 係列是帶有軸標簽的一維ndarray。標簽不必是唯一的，但必須是可哈希的類型。該對象同時支持基於整數和基於標簽的索引，並提供了許多方法來執行涉及索引的操作。

Pandas Series.to_dense()函數返回NDFrame的密集表示(相對於稀疏)。這本質上意味著將分配內存以甚至將丟失的值存儲在數據幀中。

用法： Series.to_dense()

範例1：采用Series.to_dense()函數將給定的序列對象轉換為密集的序列對象。

# 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)

輸出：

現在我們將使用Series.to_dense()函數以將給定的Series對象轉換為密集的Series對象。

# convert to dense object 
sr.to_dense()

輸出：

正如我們在輸出中看到的，Series.to_dense()函數已返回給定係列對象的密集表示形式。如果我們由於這個原因注意到我們的係列對象沒有缺失值，那麽兩個輸出看起來都是一樣的。我們來看另一個包含一些缺失值的示例。

範例2：采用Series.to_dense()函數將給定的序列對象轉換為密集的序列對象。

# 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)

輸出：

但是，在繼續之前，我們先將給定的series對象轉換為SparseSeries對象，以查看稀疏版本和密集版本之間的區別。

現在我們將使用Series.to_sparse()函數以實現將給定Series對象轉換為SparseSeries對象。

# convert to Sparse object 
sr.to_sparse()

輸出：

正如我們在輸出中看到的，Series.to_sparse()函數已成功將給定的series對象轉換為sparseseries對象。如果我們看一下下麵兩行，它返回了有關內存塊位置以及這些塊中包含的值數的信息。

現在我們將使用Series.to_dense()函數以將給定的Series對象轉換為密集的Series對象。

# convert to dense object 
sr.to_dense()

輸出：

正如我們在輸出中看到的，Series.to_dense()函數已返回給定係列對象的密集表示形式。它分配了內存以存儲係列中的缺失值。當缺少大量數據時，密集表示對內存的效率不高。