Python | Serie Pandas.to_dense()

La serie Pandas es un ndarray unidimensional con etiquetas de eje. No es necesario que las etiquetas sean únicas, pero deben ser de tipo hashable. El objeto admite la indexación basada en enteros y etiquetas y proporciona una gran cantidad de métodos para realizar operaciones relacionadas con el índice.

La función Pandas Series.to_dense()devuelve una representación densa de NDFrame (en lugar de escasa). Básicamente, esto significa que la memoria se asignará para almacenar incluso los valores que faltan en el marco de datos.

Sintaxis: Series.to_dense()

Parámetro: Ninguno

Devoluciones : Serie densa

Ejemplo n.º 1: use Series.to_dense()la función para convertir el objeto de serie dado en un objeto de serie densa.

# 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)

Producción :

Ahora usaremos Series.to_dense()la función para lograr la conversión del objeto Serie dado en un objeto de serie densa.

# convert to dense object
sr.to_dense()

Producción :

<

Como podemos ver en la salida, la Series.to_dense()función ha devuelto la representación densa del objeto de serie dado. Si notamos que nuestro objeto de serie no tiene ningún valor faltante, por esta razón, ambas salidas se ven iguales. Veamos otro ejemplo que contiene algunos valores faltantes.
 
Ejemplo n.º 2: use Series.to_dense()la función para convertir el objeto de serie dado en un objeto de serie densa.

# 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)

Producción :

Pero, antes de continuar, convirtamos el objeto de serie dado en un objeto SparseSeries para ver la diferencia entre las versiones escasa y densa.

Ahora usaremos Series.to_sparse()la función para lograr la conversión del objeto Series dado en un objeto SparseSeries.

# convert to Sparse object
sr.to_sparse()

Producción :

Como podemos ver en el resultado, la Series.to_sparse()función ha convertido con éxito el objeto de serie dado en un objeto de serie dispersa. Si miramos las dos líneas inferiores, ha devuelto la información sobre la ubicación del bloque de memoria y la cantidad de valores contenidos en esos bloques.

Ahora usaremos Series.to_dense()la función para lograr la conversión del objeto Serie dado en un objeto de serie densa.

# convert to dense object
sr.to_dense()

Producción :

Como podemos ver en la salida, la Series.to_dense()función ha devuelto la representación densa del objeto de serie dado. Ha asignado memoria para almacenar incluso los valores que faltan en la Serie. La representación densa no es eficiente en memoria cuando faltan muchos datos.

Publicación traducida automáticamente

Artículo escrito por Shubham__Ranjan y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *