11個Python Pandas小技巧讓你的工作更高效（附程式碼實體）

作者：Shiu-TangLi 翻譯：吳振東 校對：王雨桐

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開啟方式。

Pandas是一個在Python中廣泛應用的資料分析包。市面上有很多關於Pandas的經典教程，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

這是讀取資料的入門級命令。當要你所讀取的資料量特別大時，試著加上這個引數 nrows = 5，就可以在載入全部資料前先讀取一小部分資料。如此一來，就可以避免選錯分隔符這樣的錯誤啦（資料不一定都是用逗號來分隔）。

（或者在linux系統中，你可以使用‘head’來展示任意文字檔案的前五行：head -c 5 data.txt）

接下來，用 df.columns.tolist() 可以提取每一列並轉換成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型別，你可以加上dtype = {‘c1’: str, ‘c2’: int, …} ，這樣會加快載入的速度。加入這些引數的另一大好處是，如果這一列中同時含有字串和數值型別，而你提前宣告把這一列看作是字串，那麼這一列作為主鍵來融合多個表時，就不會報錯了。

2. select_dtypes

如果已經在Python中完成了資料的預處理，這個命令可以幫你節省一定的時間。在讀取了表格之後，每一列的預設資料型別將會是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()

來瞭解你的dataframe的每項資料型別，然後再使用：

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

獲取一個僅由數值型別組成的sub-dataframe。

3. copy

如果你沒聽說過它的話，我不得強調它的重要性。輸入下麵的命令：

import pandas as pddf1 = pd.DataFrame({ 'a':[0,0,0], 'b': [1,1,1]})df2 = df1df2['a'] = df2['a'] + 1df1.head()

你會發現df1已經發生了改變。這是因為df2 = df1並不是生成一個df1的複製品並把它賦值給df2，而是設定一個指向df1的指標。所以只要是針對df2的改變，也會相應地作用在df1上。為瞭解決這個問題，你既可以這樣做：

df2 = df1.copy()

也可以這樣做：

from copy import deepcopydf2 = deepcopy(df1)

4. map

這個炫酷的命令讓你的資料轉換變得輕鬆。首先定義一個

dictionary，“key”是轉換前的舊值，而“values”是轉換後的新值。

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？

如果我們想在現有幾列的基礎上生成一個新列，並一同作為輸入，那麼有時apply函式會相當有幫助。

def rule(x, y):    if x == 'high' and y > 10:         return 1    else:         return 0df = 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()

在上面的程式碼中，我們定義了一個有兩個輸入變數的函式，並依靠apply函式使其作用到列“c1”和“c2”上。

但是apply函式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)

但你會發現相比於以下命令，apply實在是慢太多了：

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

結論：如果你可以採用其他內建函式（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，那麼請用round(df[‘c’], 0)或df[‘c’],round(0)而不是上文的apply函式。

7. value counts

這個命令用於檢查值的分佈。你想要檢查下“c”列中出現的值以及每個值所出現的頻率，可以使用：

df['c'].value_counts(

下麵是一些有用的小技巧/引數：

• normalize = True:檢視每個值出現的頻率而不是頻次數。

• dropna = False: 把缺失值也保留在這次統計中。

• sort = False: 將資料按照值來排序而不是按照出現次數排序。

• df[‘c].value_counts().reset_index(): 將這個統計表轉換成pandas的dataframe並且進行處理。

8. 缺失值的數量

當構建模型時，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量。

import pandas as pdimport numpy as npdf = 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()

9. 依據指定ID來選取行

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. 基於分位數分組

面對一列數值，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，最後的50%放入組別四。當然，你可以使用pandas.cut，但你也可以使用下麵這種選擇：

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

這種方法的執行速度很快（並沒有使用到apply函式）。

11. to_csv

這又是一個大家都會用的命令。我想在這裡列出兩個小技巧。首先是

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

你可以使用這個命令打印出將要輸出檔案中的前五行記錄。

另一個技巧是用來處理整數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值，那麼這一列的資料型別會變成float而不是int。當匯出表格時，你可以加上float_format=‘%.0f’以便將所有的浮點數近似成整數。當你想把所有列的輸出值都變成整數格式時，就可以使用這個技巧，這樣一來你就會告別所有數值後帶“.0”的煩惱。

原文標題：

10 PythonPandas tricks that make your work more efficient

原文連結：

https://towardsdatascience.com/10-python-pandas-tricks-that-make-your-work-more-efficient-2e8e483808ba

Shiu-TangLi

贊賞

朋友會在“發現-看一看”看到你“在看”的內容

確定