本文为你介绍Pandas隐藏的炫酷小技巧，我相信这些会对你有所帮助。
或许本文中的某些命令你早已知晓，只是没意识到它还有这种打开方式。
Pandas是一个在Python中广泛应用的数据分析包。市面上有很多关于Pandas的经典教程，但本文介绍几个隐藏的炫酷小技巧，我相信这些会对你有所帮助。
1. read_csv
这是读取数据的入门级命令。当要你所读取的数据量特别大时，试着加上这个参数nrows = 5，就可以在载入全部数据前先读取一小部分数据。如此一来，就可以避免选错分隔符这样的错误啦(数据不一定都是用逗号来分隔)。
(或者在linux系统中，你可以使用‘head’来展示任意文本文件的前五行：head -c 5 data.txt)
接下来，用 df.columns.tolist() 可以提取每一列并转换成list。还可以加上usecols = [‘c1’, ‘c2’, … ]来载入所需要的指定列。另外，如果你知道某些列的类型，你可以加上dtype = {‘c1’: str, ‘c2’: int, …} ，这样会加快载入的速度。加入这些参数的另一大好处是，如果这一列中同时含有字符串和数值类型，而你提前声明把这一列看作是字符串，那么这一列作为主键来融合多个表时，就不会报错了。
2. select_dtypes
如果已经在Python中完成了数据的预处理，这个命令可以帮你节省一定的时间。在读取了表格之后，每一列的默认数据类型将会是bool，int64，float64，object，category，timedelta64，或者datetime64。首先你可以观察一下大致情况，使用：
| df.dtypes.value_counts() |
来了解你的dataframe的每项数据类型，然后再使用：
| df.select_dtypes(include=['float64', 'int64']) |
获取一个仅由数值类型组成的sub-dataframe。
3. copy
如果你没听说过它的话，我不得强调它的重要性。输入下面的命令：
import pandas as pd df1 = pd.DataFrame({ 'a':[0,0,0], 'b': [1,1,1]}) df2 = df1 df2['a'] = df2['a'] + 1 df1.head() |
你会发现df1已经发生了改变。这是因为df2 = df1并不是生成一个df1的复制品并把它赋值给df2，而是设定一个指向df1的指针。所以只要是针对df2的改变，也会相应地作用在df1上。为了解决这个问题，你既可以这样做：
| df2 = df1.copy() |
也可以这样做：
from copy import deepcopy df2 = deepcopy(df1) |
4. map
这个炫酷的命令让你的数据转换变得轻松。首先定义一个
dictionary，“key”是转换前的旧值，而“values”是转换后的新值。
level_map = {1: 'high', 2: 'medium', 3: 'low'} df['c_level'] = df['c'].map(level_map) |
几个适用情景：把True、False，转换成1、0(为了建模);定义级别;使用字典编码。
5. 用不用apply?
如果我们想在现有几列的基础上生成一个新列，并一同作为输入，那么有时apply函数会相当有帮助。
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() |
在上面的代码中，我们定义了一个有两个输入变量的函数，并依靠apply函数使其作用到列“c1”和“c2”上。
但是apply函数在有些情况下实在是太慢了。如果你是想计算“c1”和“c2”列的最大值，你当然可以这样去做：
| df['maximum'] = df.apply(lambda x: max(x['c1'], x['c2']), axis = 1) |
但你会发现相比于以下命令，apply实在是慢太多了：
| df['maximum'] = df[['c1','c2']].max(axis =1) |
结论：如果你可以采用其他内置函数(他们一般速度更快)，请不要使用apply。比如说，如果你想把“c”列的值近似取整，那么请用round(df[‘c’], 0)或df['c'],round(0)而不是上文的apply函数。
7. value counts
这个命令用于检查值的分布。你想要检查下“c”列中出现的值以及每个值所出现的频率，可以使用：
| df['c'].value_counts( |
下面是一些有用的小技巧/参数：
normalize = True:查看每个值出现的频率而不是频次数。
dropna = False: 把缺失值也保留在这次统计中。
sort = False: 将数据按照值来排序而不是按照出现次数排序。
df[‘c].value_counts().reset_index(): 将这个统计表转换成pandas的dataframe并且进行处理。
8. 缺失值的数量
当构建模型时，我们可能会去除包含过多缺失值或是全部是缺失值的行。这时可以使用.isnull()和.sum()来计算指定列缺失值的数量。
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() df_filter = df['ID'].isin(['A001','C022',...]) df[df_filter] |
10. 基于分位数分组
面对一列数值，你想将这一列的值进行分组，比如说最前面的5%放入组别一，5-20%放入组别二，20%-50%放入组别三，最后的50%放入组别四。当然，你可以使用pandas.cut，但你也可以使用下面这种选择：
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] |
这种方法的运行速度很快(并没有使用到apply函数)。
11. to_csv
这又是一个大家都会用的命令。我想在这里列出两个小技巧。首先是
| print(df[:5].to_csv()) |
你可以使用这个命令打印出将要输出文件中的前五行记录。
另一个技巧是用来处理整数值和缺失值混淆在一起的情况。如果一列含有缺失值和整数值，那么这一列的数据类型会变成float而不是int。当导出表格时，你可以加上float_format=‘%.0f’以便将所有的浮点数近似成整数。当你想把所有列的输出值都变成整数格式时，就可以使用这个技巧，这样一来你就会告别所有数值后带“.0”的烦恼。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
