​

 

导读

Pandas 是一个广泛应用于数据分析等领域的 Python 库。关于它的教程有很多，但这里会一些比较冷门但是非常有用的技巧。

 

read_csv

这是一个大家都应该知道的函数，因为它就是读取 csv 文件的方法。

但如果需要读取数据量很大的时候，可以添加一个参数--​​nrows=5​​，来先加载少量数据，这可以避免使用错误的分隔符，因为并不是所有的都采用逗号分隔，然后再加载整个数据集。

Ps. 在 Linux 的终端，可以采用 ​​head​​ 命令来查看文件的前 5 行数据，命令示例如下所示：

head -n 5 data.txt
复制代码

加载数据后，可以通过方法​​df.columns.tolist()​​​获取所有的列名字，再采用参数​​usecols=['c1','c2',...]​​​ 来读取真正需要的列。如果想读取速度更快并且知道一些列的数据类型，可以使用参数 ​​dtype={'c1':str, 'c2':int,...}​​，使用这个参数的另一个好处是对于包含不同类型的列，比如同时包含字符串和整型的列，这个参数可以指定该列就是字符串或者整型的类型，避免在采用该列作为键进行融合不同表的时候出现错误。

 

Select_dtypes

如果必须用 Python 进行数据预处理，采用这个方法可以节省一些时间。在读取表后，默认数据类型可以能是 ​​bool, int64, float64, object, category, timedelta64, datetime64​​​，首先可以用下面的方法来查看分布情况和知道 ​​dataframe​​ 中包含哪些数据类型：

​​df.dtypes.value_counts()​​

接着使用下面的方法来选择特定类型的数据，比如说数字特征：

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

 

copy

这个方法很重要，首先先看看下面这个例子：

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

运行上述代码后，会发现​​df1​​​ 的数值被改变了，这是因为 ​​df2=df1​​​ 这段代码并不是对 ​​df1​​​ 进行拷贝，然后赋给 ​​df2​​​，而是设置了一个指向 ​​df1​​​ 的指针。 因此任何对 ​​df2​​​ 的改变都会改变 ​​df1​​，如果要修改这个问题，可以采用下面的代码：

df2 = df1.copy()
复制代码

或者

from copy import deepcopy
df2 = deepcopy(df1)
复制代码

 

map

这是一个非常酷的命令，可以用于做简单的数据转化操作。首先需要定义一个字典，它的键是旧数值，而其值是新的数值，如下所示：

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

还有一些例子：

  • 布尔值的 True，False 转化为 1，0
  • 定义层次
  • 用户定义的词典编码

 

apply or not apply

如果我们想创建一个新的采用其他列作为输入的列，​​apply​​ 方法是一个非常有用的方法：

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()
复制代码

上面这段代码我们先定义了一个两个输入参数的方法，然后采用​​apply​​​ 方法将其应用到 ​​df​​​ 的两列 ​​c1, c2​​。

​​apply​​​ 的问题是有时候速度太慢了。如果是希望计算 ​​c1​​​ 和 ​​c2​​ 两列的最大值，可以这么写：

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

但你会发现比下面这段代码要慢很多：

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

要点：如果可以采用其他内置函数实现的工作，就不要采用​​apply​​​ 方法啦。比如，想对列​​c​​​ 的数值进行取舍为整数值，可以采用方法 ​​round(df['c'], o)​​​ 或者 ​​df['c'].round(o)​​​，而不是使用​​apply​​​ 方法的代码：​​df.apply(lambda x: round(x['c'], 0), axis=1)​​

 

value_counts

这个方法用于检查数值的分布情况。比如，你想知道​​c​​列的每个唯一数值出现的频繁次数和可能的数值，可以如下所示：

df['c'].value_counts()
复制代码

这里还有一些有趣的技巧或者参数：

  1. normalize=True：如果想看频率而不是次数，可以使用这个参数设置；
  2. dropna=False：查看包含缺失值的统计
  3. ​​df['c'].value_counts().reset_index()​​​：如果想对这个统计转换为一个​​dataframe​​ 并对其进行操作
  4. ​​df['c'].value_counts().reset_index().sort_values(by='index')​​​ 或者是​​df['c'].value_counts().sort_index()​​ : 实现根据列的每个取值对统计表进行排序

 

number of missing values

当构建模型的时候，我们希望可以删除掉带有太多缺失值的行，或者都是缺失值的行。这可以通过采用​​.isnull()​​​ 和 ​​.sum()​​ 来计算特定列的缺失值数量：

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()
复制代码

 

select rows with specific IDs

在 SQL 中这个操作可以通过​​SELECT * FROM … WHERE ID in (‘A001’, ‘C022’, …)​​来获取特定 IDs 的记录。而在 pandas 中，可以如下所示：

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

 

Percentile groups

假设有一个都是数值类型的列，然后希望对这些数值划分成几个组，比如前 5% 是第一组，5-20%是第二组，20%-50%是第三组，最后的50%是第四组。这可以采用​​.cut​​ 方法，但这有另外一个选择：

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]
复制代码

这个方法的速度非常快。

 

to_csv

最后是一个非常常用的方法，保存为 ​​csv​​ 文件。这里也有两个小技巧：

第一个就是​​print(df[:5].to_csv())​​，这段代码可以打印前5行，并且也是会保存到文件的数据。

另一个技巧是处理混合了整数和缺失值的情况。当某一列同时有缺失值和整数，其数据类型是 ​​float​​​ 类型而不是 ​​int​​​ 类型。所以在导出该表的时候，可以添加参数​​float_format='%.of'​​​ 来将 ​​float​​ 类型转换为整数。如果只是想得到整数，那么可以去掉这段代码中的。