pandas.Series.sparse.to_coo #

系列.稀疏。to_coo ( row_levels = (0,) , column_levels = (1,) , sort_labels = False ) [来源] #

从具有 MultiIndex 的系列创建 scipy.sparse.coo_matrix。

使用 row_levels 和 column_levels 分别确定行和列坐标。 row_levels 和column_levels 是级别的名称（标签）或编号。 {row_levels, column_levels} 必须是 MultiIndex 级别名称（或数字）的分区。

参数：

row_levels元组/列表
column_levels元组/列表
sort_labels bool, 默认 False: 在形成稀疏矩阵之前对行和列标签进行排序。当row_levels和/或column_levels引用单个级别时，设置为True可以加快执行速度。

返回：

y scipy.sparse.coo_matrix
行列表（行标签）
列列表（列标签）

例子

>>> s = pd.Series([3.0, np.nan, 1.0, 3.0, np.nan, np.nan])
>>> s.index = pd.MultiIndex.from_tuples(
...     [
...         (1, 2, "a", 0),
...         (1, 2, "a", 1),
...         (1, 1, "b", 0),
...         (1, 1, "b", 1),
...         (2, 1, "b", 0),
...         (2, 1, "b", 1)
...     ],
...     names=["A", "B", "C", "D"],
... )
>>> s
A  B  C  D
1  2  a  0    3.0
         1    NaN
   1  b  0    1.0
         1    3.0
2  1  b  0    NaN
         1    NaN
dtype: float64

>>> ss = s.astype("Sparse")
>>> ss
A  B  C  D
1  2  a  0    3.0
         1    NaN
   1  b  0    1.0
         1    3.0
2  1  b  0    NaN
         1    NaN
dtype: Sparse[float64, nan]

>>> A, rows, columns = ss.sparse.to_coo(
...     row_levels=["A", "B"], column_levels=["C", "D"], sort_labels=True
... )
>>> A
<3x4 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in COOrdinate format>
>>> A.todense()
matrix([[0., 0., 1., 3.],
[3., 0., 0., 0.],
[0., 0., 0., 0.]])

>>> rows
[(1, 1), (1, 2), (2, 1)]
>>> columns
[('a', 0), ('a', 1), ('b', 0), ('b', 1)]