我想用Dimonson 250.000 x 250.000创建一个熊猫SparseDataFrame。最后，我的目标是提出一个大的邻接矩阵。
到目前为止，创建该数据帧没有问题：
df = SparseDataFrame(columns=arange(250000), index=arange(250000))
但是，当我尝试更新DataFrame时，我遇到了大量的内存/运行时问题：
index = 1000
col = 2000
value = 1
df.set_value(index, col, value)
我检查了来源：
def set_value(self, index, col, value):
"""
Put single value at passed column and index
Parameters
----------
index : row label
col : column label
value : scalar value
Notes
-----
This method *always* returns a new object. It is currently not
particularly efficient (and potentially very expensive) but is provided
for API compatibility with DataFrame
...
后面的句子描述了在这种情况下使用熊猫的问题？我真的很想在这种情况下继续使用熊猫，但是在这种情况下完全不可能！
有人有一个想法，如何更有效地解决这个问题？
我的下一个想法是使用诸如嵌套列表/字典之类的东西。
谢谢你的帮助！
最佳答案
这样做
df = pd.SparseDataFrame(columns=np.arange(250000), index=np.arange(250000))
s = df[2000].to_dense()
s[1000] = 1
df[2000] = s
In [11]: df.ix[1000,2000]
Out[11]: 1.0
因此，程序是一次交换整个序列。 SDF会将传递的系列转换为SparseSeries。 （您可以自己查看
s.to_sparse()的样子。SparseDataFrame基本上是这些SparseSeries的字典，它们本身是不可变的。Sparseness将在0.12中进行一些更改以更好地支持这些类型的操作（例如，设置有效地工作）。