pandas.arrays.SparseArray

classpandas.arrays.SparseArray(data, sparse_index=None, fill_value=None, kind='integer', dtype=None, copy=False)[source]

Расширяемый массив для хранения разреженных данных.

Параметры:

data:массив-подобный объект или скаляр

Массив плотных значений для хранения в SparseArray. Может содержать значение fill_value.

sparse_index:SparseIndex, необязательно

fill_value:скаляр, необязательно

Элементы в data, которые fill_value не хранятся в SparseArray. Для экономии памяти это должно быть наиболее часто встречающееся значение в data. По умолчанию fill_value зависит от типа данных data:

data.dtype	на_значение
float	np.nan
int	0
bool	False
datetime64	pd.NaT
timedelta64	pd.NaT

Значение заполнения потенциально задаётся тремя способами. В порядке приоритета:

1. Аргумент fill_value

2. dtype.fill_value если fill_value равно None и dtype является SparseDtype

3. data.dtype.fill_value если fill_value равно None и dtype не является SparseDtype и data является SparseArray.

kind:строка

Может быть 'integer' или 'block', по умолчанию 'integer'. Тип хранения для разреженных местоположений.

• ‘block’: Хранит block и block_length для каждого смежного раздела разреженных значений. Это лучше всего подходит, когда разреженные данные имеют тенденцию группироваться вместе, с большими областями fill-value значений между разреженными значениями.

• ‘integer’: использует целое число для хранения местоположения каждого разреженного значения.

dtype:np.dtype или SparseDtype, необязательно

Тип данных для использования в SparseArray. Для типов данных numpy это определяет тип данных self.sp_values. Для SparseDtype это определяет self.sp_values и self.fill_value.

copy:bool, по умолчанию False

Требуется ли явное копирование входного массива data.

Примеры

>>> from pandas.arrays import SparseArray
>>> arr = SparseArray([0, 0, 1, 2])
>>> arr
[0, 0, 1, 2]
Fill: 0
IntIndex
Indices: array([2, 3], dtype=int32)

Атрибуты

None

Методы

None