python - Llene un SparseDataFrame de Pandas desde una SciPy Sparse Matrix

numpy sparse-matrix

Question

Noté que Pandas ahora tiene soporte para matrices y matrices dispersas . Actualmente, creo DataFrame() como este:

return DataFrame(matrix.toarray(), columns=features, index=observations)

¿Hay alguna manera de crear un SparseDataFrame() con scipy.sparse.csc_matrix() o csr_matrix() ? Conversión a formato denso mata RAM mal. ¡Gracias!

Answer 1

A partir de pandas v 0.20.0, puede usar el constructor SparseDataFrame .

Un ejemplo de los documentos de pandas :

import numpy as np
import pandas as pd
from scipy.sparse import csr_matrix

arr = np.random.random(size=(1000, 5))
arr[arr < .9] = 0
sp_arr = csr_matrix(arr)
sdf = pd.SparseDataFrame(sp_arr)

Answer 2

Una conversión directa no es compatible con ATM. ¡Las contribuciones son bienvenidas!

Pruebe esto, debería estar bien en la memoria ya que SpareSeries es muy parecido a csc_matrix (para 1 columna) y bastante eficiente en el espacio

In [37]: col = np.array([0,0,1,2,2,2])

In [38]: data = np.array([1,2,3,4,5,6],dtype=''float64'')

In [39]: m = csc_matrix( (data,(row,col)), shape=(3,3) )

In [40]: m
Out[40]: 
<3x3 sparse matrix of type ''<type ''numpy.float64''>''
        with 6 stored elements in Compressed Sparse Column format>

In [46]: pd.SparseDataFrame([ pd.SparseSeries(m[i].toarray().ravel()) 
                              for i in np.arange(m.shape[0]) ])
Out[46]: 
   0  1  2
0  1  0  4
1  0  0  5
2  2  3  6

In [47]: df = pd.SparseDataFrame([ pd.SparseSeries(m[i].toarray().ravel()) 
                                   for i in np.arange(m.shape[0]) ])

In [48]: type(df)
Out[48]: pandas.sparse.frame.SparseDataFrame

Answer 3

Una versión mucho más corta:

df = pd.DataFrame(m.toarray())