本文為你介紹Pandas隱藏的炫酷小技巧，我相信這些會對你有所幫助。

或許本文中的某些命令你早已知曉，只是沒意識到它還有這種打開方式。

Pandas是一個在Python中廣泛應用的數(shù)據(jù)分析包。市面上有很多關(guān)于Pandas的經(jīng)典教程，但本文介紹幾個隱藏的炫酷小技巧，我相信這些會對你有所幫助。

1. read_csv

這是讀取數(shù)據(jù)的入門級命令。當要你所讀取的數(shù)據(jù)量特別大時，試著加上這個參數(shù)nrows = 5，就可以在載入全部數(shù)據(jù)前先讀取一小部分數(shù)據(jù)。如此一來，就可以避免選錯分隔符這樣的錯誤啦(數(shù)據(jù)不一定都是用逗號來分隔)。

(或者在linux系統(tǒng)中，你可以使用‘head'來展示任意文本文件的前五行：head -c 5 data.txt)

接下來，用 df.columns.tolist() 可以提取每一列并轉(zhuǎn)換成list。還可以加上usecols = [‘c1', ‘c2', … ]來載入所需要的指定列。另外，如果你知道某些列的類型，你可以加上dtype = {‘c1': str, ‘c2': int, …} ，這樣會加快載入的速度。加入這些參數(shù)的另一大好處是，如果這一列中同時含有字符串和數(shù)值類型，而你提前聲明把這一列看作是字符串，那么這一列作為主鍵來融合多個表時，就不會報錯了。

2. select_dtypes

如果已經(jīng)在Python中完成了數(shù)據(jù)的預處理，這個命令可以幫你節(jié)省一定的時間。在讀取了表格之后，每一列的默認數(shù)據(jù)類型將會是bool，int64，float64，object，category，timedelta64，或者datetime64。首先你可以觀察一下大致情況，使用：

df.dtypes.value_counts() 

來了解你的dataframe的每項數(shù)據(jù)類型，然后再使用：

df.select_dtypes(include=['float64', 'int64']) 

獲取一個僅由數(shù)值類型組成的sub-dataframe。

3. copy

如果你沒聽說過它的話，我不得強調(diào)它的重要性。輸入下面的命令：

import pandas as pd 
df1 = pd.DataFrame({ 'a':[0,0,0], 'b': [1,1,1]}) 
df2 = df1 
df2['a'] = df2['a'] + 1 
df1.head() 

你會發(fā)現(xiàn)df1已經(jīng)發(fā)生了改變。這是因為df2 = df1并不是生成一個df1的復制品并把它賦值給df2，而是設(shè)定一個指向df1的指針。所以只要是針對df2的改變，也會相應地作用在df1上。為了解決這個問題，你既可以這樣做：

df2 = df1.copy() 

也可以這樣做：

from copy import deepcopy 
df2 = deepcopy(df1) 

4. map

這個炫酷的命令讓你的數(shù)據(jù)轉(zhuǎn)換變得輕松。首先定義一個

dictionary，“key”是轉(zhuǎn)換前的舊值，而“values”是轉(zhuǎn)換后的新值。

level_map = {1: 'high', 2: 'medium', 3: 'low'} 
df['c_level'] = df['c'].map(level_map) 

幾個適用情景：把True、False，轉(zhuǎn)換成1、0(為了建模);定義級別;使用字典編碼。

5. 用不用apply?

如果我們想在現(xiàn)有幾列的基礎(chǔ)上生成一個新列，并一同作為輸入，那么有時apply函數(shù)會相當有幫助。

def rule(x, y): 
 if x == 'high' and y > 10: 
 return 1 
 else: 
 return 0 
df = pd.DataFrame({ 'c1':[ 'high' ,'high', 'low', 'low'], 'c2': [0, 23, 17, 4]}) 
df['new'] = df.apply(lambda x: rule(x['c1'], x['c2']), axis = 1) 
df.head() 

在上面的代碼中，我們定義了一個有兩個輸入變量的函數(shù)，并依靠apply函數(shù)使其作用到列“c1”和“c2”上。

但是apply函數(shù)在有些情況下實在是太慢了。如果你是想計算“c1”和“c2”列的最大值，你當然可以這樣去做：

df['maximum'] = df.apply(lambda x: max(x['c1'], x['c2']), axis = 1) 

但你會發(fā)現(xiàn)相比于以下命令，apply實在是慢太多了：

df['maximum'] = df[['c1','c2']].max(axis =1) 

結(jié)論：如果你可以采用其他內(nèi)置函數(shù)(他們一般速度更快)，請不要使用apply。比如說，如果你想把“c”列的值近似取整，那么請用round(df[‘c'], 0)或df['c'],round(0)而不是上文的apply函數(shù)。

7. value counts

這個命令用于檢查值的分布。你想要檢查下“c”列中出現(xiàn)的值以及每個值所出現(xiàn)的頻率，可以使用：

df['c'].value_counts( 

下面是一些有用的小技巧/參數(shù)：

• normalize = True:查看每個值出現(xiàn)的頻率而不是頻次數(shù)。
• dropna = False: 把缺失值也保留在這次統(tǒng)計中。
• sort = False: 將數(shù)據(jù)按照值來排序而不是按照出現(xiàn)次數(shù)排序。
• df[‘c].value_counts().reset_index(): 將這個統(tǒng)計表轉(zhuǎn)換成pandas的dataframe并且進行處理。

8. 缺失值的數(shù)量

當構(gòu)建模型時，我們可能會去除包含過多缺失值或是全部是缺失值的行。這時可以使用.isnull()和.sum()來計算指定列缺失值的數(shù)量。

import pandas as pd 
import numpy as np 
df = pd.DataFrame({ 'id': [1,2,3], 'c1':[0,0,np.nan], 'c2': [np.nan,1,1]}) 
df = df[['id', 'c1', 'c2']] 
df['num_nulls'] = df[['c1', 'c2']].isnull().sum(axis=1) 
df.head() 

在SQL中我們可以使用 SELECT * FROM … WHERE ID in (‘A001',‘C022', …)來獲取含有指定ID的記錄。如果你也想在Pandas中做類似的事情，你可以使用：

df_filter = df['ID'].isin(['A001','C022',...]) 
df[df_filter] 

10. 基于分位數(shù)分組

面對一列數(shù)值，你想將這一列的值進行分組，比如說最前面的5%放入組別一，5-20%放入組別二，20%-50%放入組別三，最后的50%放入組別四。當然，你可以使用pandas.cut，但你也可以使用下面這種選擇：

import numpy as np 
cut_points = [np.percentile(df['c'], i) for i in [50, 80, 95]] 
df['group'] = 1 
for i in range(3): 
 df['group'] = df['group'] + (df['c'] < cut_points[i]) 
# or <= cut_points[i] 

這種方法的運行速度很快(并沒有使用到apply函數(shù))。

11. to_csv

這又是一個大家都會用的命令。我想在這里列出兩個小技巧。首先是

print(df[:5].to_csv()) 

你可以使用這個命令打印出將要輸出文件中的前五行記錄。

另一個技巧是用來處理整數(shù)值和缺失值混淆在一起的情況。如果一列含有缺失值和整數(shù)值，那么這一列的數(shù)據(jù)類型會變成float而不是int。當導出表格時，你可以加上float_format=‘%.0f'以便將所有的浮點數(shù)近似成整數(shù)。當你想把所有列的輸出值都變成整數(shù)格式時，就可以使用這個技巧，這樣一來你就會告別所有數(shù)值后帶“.0”的煩惱。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論