有没有办法将pandas.SparseDataFrame
转换为scipy.sparse.csr_matrix
,而不会在内存中生成一个密集的矩阵?熊猫稀疏dataFrame稀疏矩阵,没有在内存中生成一个密集的矩阵
scipy.sparse.csr_matrix(df.values)
不起作用,因为它会生成一个致密的矩阵,投射到csr_matrix
。
提前致谢!有关实验转换
有没有办法将pandas.SparseDataFrame
转换为scipy.sparse.csr_matrix
,而不会在内存中生成一个密集的矩阵?熊猫稀疏dataFrame稀疏矩阵,没有在内存中生成一个密集的矩阵
scipy.sparse.csr_matrix(df.values)
不起作用,因为它会生成一个致密的矩阵,投射到csr_matrix
。
提前致谢!有关实验转换
熊猫文档会谈SciPy的稀疏,SparseSeries.to_coo:
http://pandas-docs.github.io/pandas-docs-travis/sparse.html#interaction-with-scipy-sparse
================
编辑 - 这是多索引而不是数据帧的特殊功能。请参阅其他答案。请注意日期的差异。
============
作为0.20.0,有一个sdf.to_coo()
和多指标ss.to_coo()
。由于稀疏矩阵本质上是2D的,因此需要(有效)1d数据集的多索引是有意义的。而数据框可以表示一个表或二维数组。
当我第一次回答这个问题时,这个稀疏的数据框/系列功能是实验性的(2015年6月)。
这只适用于'MultiIndex'-ed'SparseSeries',不适用于DataFrame。 –
作为@eleanora提到,[现在确实有效](http://pandas-docs.github.io/pandas-docs-travis/generated/pandas.SparseDataFrame.to_coo.html#pandas.SparseDataFrame.to_coo)(as版本0.20.0,2017年5月5日发布)。 'sparse.csr_matrix(df.to_coo())'是可以实现这一功能的单线程。也许你应该编辑你的答案,以明确这一点? –
也许我们应该接近主题日期? – hpaulj
下面是一个按列填充稀疏矩阵的解决方案(假设您可以将至少一列填充到内存中)。
import pandas as pd
import numpy as np
from scipy.sparse import lil_matrix
def sparse_df_to_array(df):
""" Convert sparse dataframe to sparse array csr_matrix used by
scikit learn. """
arr = lil_matrix(df.shape, dtype=np.float32)
for i, col in enumerate(df.columns):
ix = df[col] != 0
arr[np.where(ix), i] = df.ix[ix, col]
return arr.tocsr()
@Marigold的答案可以做到这一点,但由于访问每列中的所有元素(包括零),它的速度很慢。在此基础上,我编写了以下快速n'脏代码,它在密度约为1%的1000x1000矩阵上运行速度提高了50倍。我的代码也适当地处理密集列。
def sparse_df_to_array(df):
num_rows = df.shape[0]
data = []
row = []
col = []
for i, col_name in enumerate(df.columns):
if isinstance(df[col_name], pd.SparseSeries):
column_index = df[col_name].sp_index
if isinstance(column_index, BlockIndex):
column_index = column_index.to_int_index()
ix = column_index.indices
data.append(df[col_name].sp_values)
row.append(ix)
col.append(len(df[col_name].sp_values) * [i])
else:
data.append(df[col_name].values)
row.append(np.array(range(0, num_rows)))
col.append(np.array(num_rows * [i]))
data_f = np.concatenate(data)
row_f = np.concatenate(row)
col_f = np.concatenate(col)
arr = coo_matrix((data_f, (row_f, col_f)), df.shape, dtype=np.float64)
return arr.tocsr()
由于大熊猫版本0.20.0,2017年5月5日发布的,还有一个班轮此:
from scipy import sparse
def sparse_df_to_csr(df):
return sparse.csr_matrix(df.to_coo())
这将使用新to_coo()
method。
大厦维克多五月的答案,这里有一个稍快的实现,但它仅适用,如果整个SparseDataFrame
是稀疏的所有BlockIndex
(注:若曾get_dummies
创建的,这将是案件)。
编辑:我修改了这个,所以它可以使用非零填充值。 CSR没有本地非零填充值,因此您必须在外部记录它。
import numpy as np
import pandas as pd
from scipy import sparse
def sparse_BlockIndex_df_to_csr(df):
columns=df.columns
zipped_data = zip(*[(df[col].sp_values - df[col].fill_value,
df[col].sp_index.to_int_index().indices)
for col in columns])
data, rows=map(list, zipped_data)
cols=[np.ones_like(a)*i for (i,a) in enumerate(data)]
data_f = np.concatenate(data)
rows_f = np.concatenate(rows)
cols_f = np.concatenate(cols)
arr = sparse.coo_matrix((data_f, (rows_f, cols_f)),
df.shape, dtype=np.float64)
return arr.tocsr()
EDIT:这种方法实际上是具有在某个阶段致密的显示,所以它并没有解决的问题。
您应该能够以下面的方式使用实验.to_coo()
方法在大熊猫[1]:
df, idx_rows, idx_cols = df.stack().to_sparse().to_coo()
df = df.tocsr()
这种方法,而不是取DataFrame
(行/列)它需要与行的Series
和MultiIndex
中的列(这就是为什么您需要.stack()
方法)。此Series
与MultiIndex
需要为SparseSeries
,即使您的输入为SparseDataFrame
,.stack()
也会返回常规Series
。因此,在拨打.to_coo()
之前,您需要使用.to_sparse()
方法。
的Series
通过.stack()
返回,即使它不是一个SparseSeries
仅包含非空的元素,所以(当类型为np.float
至少有np.nan
)不应该采取更多的内存比稀疏的版本。
运行此相反? http://stackoverflow.com/questions/17818783/populate-a-pandas-sparsedataframe-from-a-scipy-sparse-matrix – JohnE