Python Pandas Series.to_dense()

Pandas系列是一个带有轴标签的一维ndarray。标签不需要是唯一的，但必须是一个可散列的类型。该对象支持基于整数和标签的索引，并提供了大量的方法来执行涉及索引的操作。

Pandas Series.to_dense()函数返回NDFrame的密集表示（而不是稀疏表示）。这基本上意味着内存将被分配来存储数据框架中的缺失值。

语法: Series.to_dense()

参数：无

返回：密集Series

例子#1：使用Series.to_dense()函数将给定的系列对象转换为密集系列对象。

# 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)

输出 :

现在我们将使用Series.to_dense()函数来实现将给定的Series对象转换为密集序列对象。

# convert to dense object
sr.to_dense()

输出 :

<

正如我们在输出中看到的，Series.to_dense()函数已经返回了给定系列对象的密集表示。如果我们注意到我们的系列对象没有任何缺失值，那么这两个输出看起来是一样的。让我们看看另一个包含一些缺失值的例子。

示例#2：使用Series.to_dense()函数将给定的系列对象转换为密集系列对象。

# 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)

输出 :

但是，在我们继续之前，让我们把给定的系列对象转换成稀疏系列对象，看看稀疏和密集版本之间的区别。

现在我们将使用Series.to_sparse()函数来实现将给定的Series对象转换为SparseSeries对象。

# convert to Sparse object
sr.to_sparse()

输出 :

正如我们在输出中看到的，Series.to_sparse()函数已经成功地将给定的系列对象转换为sparseseries对象。如果我们看最下面的两行，它已经返回了关于内存块位置和这些块中包含的值的数量的信息。

现在我们将使用Series.to_dense()函数来实现将给定的Series对象转换为密集序列对象。

# convert to dense object
sr.to_dense()

输出 :

正如我们在输出中看到的，Series.to_dense()函数已经返回了给定系列对象的密集表示。它已经分配了内存来存储系列中的缺失值。当大量数据缺失时，密集表示法的内存效率不高。