6個(gè)提升效率的pandas小技巧

pandas是python中常用的數(shù)據(jù)分析庫，出現(xiàn)頻率非常高，而且pandas功能之多讓人咋舌，即使pandas老手也沒法保證能高效使用pandas做數(shù)據(jù)分析。

這篇文章目的梳理幾個(gè)高效實(shí)用的pandas小技巧，供大家參考。

1. 從剪切板中創(chuàng)建DataFrame

pandas中的read_clipboard()方法非常神奇，可以把剪切板中的數(shù)據(jù)變成dataframe格式，也就是說直接在excel中復(fù)制表格，可以快速轉(zhuǎn)化為dataframe。

以下面這個(gè)excel數(shù)據(jù)表為例，全部選中，按ctrl+c復(fù)制：

然后在python中執(zhí)行pd.read_clipboard()，就能得到一模一樣的dataframe數(shù)據(jù)表：

pd.read_clipboard()

這功能對(duì)經(jīng)常在excel和python中切換的分析師來說簡(jiǎn)直是福音，excel中的數(shù)據(jù)能一鍵轉(zhuǎn)化為pandas可讀格式。

2. ?通過數(shù)據(jù)類型選擇columns

數(shù)據(jù)分析過程可能會(huì)需要篩選數(shù)據(jù)列，比如只需要數(shù)值列，以經(jīng)典的泰坦尼克數(shù)據(jù)集為例：

import?seaborn?as?sns
#?導(dǎo)出泰坦尼克數(shù)據(jù)集
df?=?sns.load_dataset('titanic')
df.head()

查看該數(shù)據(jù)集各列的數(shù)據(jù)類型：

df.dtypes

可以看到各列的數(shù)據(jù)類型不太一樣，有int、object、float、bool等。

如果說我只要需要數(shù)值列，也就是數(shù)據(jù)類型為int、float的列，可以通過select_dtypes方法實(shí)現(xiàn)：

df.select_dtypes(include='number').head()

選擇除數(shù)據(jù)類型為int外其他的列，注意這里的參數(shù)是exclude：

df.select_dtypes(exclude='int').head()

也可以選擇多種數(shù)據(jù)類型：

df.select_dtypes(include=['int',?'datetime',?'object']).head()

3. 將strings改為numbers

在pandas中，有兩種方法可以將字符串改為數(shù)值：

• astype()方法
• to_numeric()方法

先創(chuàng)建一個(gè)樣本dataframe，看看這兩種方法有什么不同。

import?pandas?as?pd
df?=?pd.DataFrame({?'product':?['A','B','C','D'],?
???????????????????'price':?['10','20','30','40'],
???????????????????'sales':?['20','-','60','-']
??????????????????})
df

product列是字符串類型，price、sales列雖然內(nèi)容有數(shù)字，但它們的數(shù)據(jù)類型也是字符串。

值得注意的是，price列都是數(shù)字，sales列有數(shù)字，但空值用-代替了。

df.dtypes

下面我們用astype()方法將price列的數(shù)據(jù)類型改為int:

df['price']?=?df['price'].astype(int)
#?或者用另一種方式
df?=?df.astype({'price':?'int'})

但如果你同樣用astype()方法更改sales列的話就會(huì)出現(xiàn)報(bào)錯(cuò)：

df['sales']?=?df['sales'].astype(int)

原因是sales列里面的內(nèi)容除了數(shù)字外還有-，它是字符串，沒辦法轉(zhuǎn)化為int。

而to_numeric()方法卻可以解決這一問題，只需要設(shè)置參數(shù)errors='coerce'。

df['sales']?=?pd.to_numeric(df['sales'],?errors='coerce')

df

現(xiàn)在sale列中的-已經(jīng)被替換成了NaN,它的數(shù)據(jù)類型也變成了float。

df.dtypes

4. 檢測(cè)并處理缺失值

有一種比較通用的檢測(cè)缺失值的方法是info()，它可以統(tǒng)計(jì)每列非缺失值的數(shù)量。

還是用泰坦尼克數(shù)據(jù)集：

import?seaborn?as?sns
#?導(dǎo)出泰坦尼克數(shù)據(jù)集
df?=?sns.load_dataset('titanic')
df.info()

標(biāo)紅色地方是有缺失值的列，并且給出了非缺失值的數(shù)量，你可以計(jì)算出該列有多少缺失值。

這樣看可能不夠直觀，那可以用df.isnull().sum()方法很清楚地得到每列有多少缺失值：

df.isnull().sum()

df.isnull().sum().sum()則能夠返回該數(shù)據(jù)集總共有多少缺失值：

df.isnull().sum().sum()

還可以看缺失值在該列的占比是多少，用df.isna().mean()方法：

df.isna().mean()

注意：這里isnull()和isna()使用效果一樣。

那如何處理缺失值呢？

兩種方式：刪除和替換。

• 刪除包含缺失值的行：

df.dropna(axis?=?0)

• 刪除包含缺失值的列：

df.dropna(axis?=?1)

• 如果一列里缺失值超過10%，則刪除該列：

df.dropna(thresh=len(df)*0.9,?axis=1)

• 用一個(gè)標(biāo)量替換缺失值：

df.fillna(value=10)

• 用上一行對(duì)應(yīng)位置的值替換缺失值：

df.fillna(axis=0,?method='ffill')

• 用前一列對(duì)應(yīng)位置的值替換缺失值：

df.fillna(axis=1,?method='ffill')

• 用下一行對(duì)應(yīng)位置的值替換缺失值：

df.fillna(axis=0,?method='bfill')

• 用后一列對(duì)應(yīng)位置的值替換缺失值：

df.fillna(axis=1,?method='bfill')

• 使用某一列的平均值替換缺失值：

df['Age'].fillna(value=df['Age'].mean(),?inplace=True)

當(dāng)然你還可以用最大最小值、分位數(shù)值等來替換缺失值。

5. 對(duì)連續(xù)數(shù)據(jù)進(jìn)行離散化處理

在數(shù)據(jù)準(zhǔn)備過程中，常常會(huì)組合或者轉(zhuǎn)換現(xiàn)有特征以創(chuàng)建一個(gè)新的特征，其中將連續(xù)數(shù)據(jù)離散化是非常重要的特征轉(zhuǎn)化方式，也就是將數(shù)值變成類別特征。

同樣以泰坦尼克數(shù)據(jù)集為例，里面有一列是年齡特征age:

import?seaborn?as?sns
#?導(dǎo)出泰坦尼克數(shù)據(jù)集
df?=?sns.load_dataset('titanic')
df['age'].head()

年齡是一段連續(xù)值，如果我們想對(duì)它進(jìn)行分組變成分類特征，比如（<=12，兒童）、（<=18，青少年）、（<=60，成人）、（>60，老人），可以用cut方法實(shí)現(xiàn)：

import?sys
df['ageGroup']=pd.cut(
????????????????????df['age'],?
????????????????????bins=[0,?13,?19,?61,?sys.maxsize],?
????????????????????labels=['兒童',?'青少年',?'成人',?'老人']
??????????????????????)

df.head()

注意：這里的sys.maxsize是指可以存儲(chǔ)的最大值。

可以看到新增了一列ageGroup，用以展示年齡分組：

df['ageGroup'].head()

6. 從多個(gè)文件中構(gòu)建一個(gè)DataFrame

有時(shí)候數(shù)據(jù)集可能分布在多個(gè)excel或者csv文件中，但需要把它讀取到一個(gè)DataFrame中，這樣的需求該如何實(shí)現(xiàn)？

做法是分別讀取這些文件，然后將多個(gè)dataframe組合到一起，變成一個(gè)dataframe。

這里使用內(nèi)置的glob模塊，來獲取文件路徑，簡(jiǎn)潔且更有效率。

在上圖中，glob()在指定目錄中查找所有以“ data_row_”開頭的CSV文件。

glob()以任意順序返回文件名，這就是為什么使用sort()函數(shù)對(duì)列表進(jìn)行排序的原因。

「行合并」

假設(shè)數(shù)據(jù)集按行分布在2個(gè)文件中，分別是data_row_1.csv和data_row_2.csv

用以下方法可以逐行合并：

files?=?sorted(glob('data/data_row_*.csv'))
pd.concat((pd.read_csv(file)?for?file?in?files),?ignore_index=True)

sorted(glob('data/data_row_*.csv'))返回文件名，然后逐個(gè)讀取，并且使用concat()方法進(jìn)行合并，得到結(jié)果：

「列合并」

假設(shè)數(shù)據(jù)集按列分布在2個(gè)文件中，分別是data_row_1.csv和data_row_2.csv

用以下方法可以逐列合并：

files?=?sorted(glob('data/data_col_*.csv'))
pd.concat((pd.read_csv(file)?for?file?in?files),?axis=1)

sorted(glob('data/data_row_*.csv'))返回文件名，然后逐個(gè)讀取，并且使用concat()方法進(jìn)行列合并（注意這里axis=1），得到結(jié)果：

本文就到這里，pandas還有很多讓人驚喜的小技巧，大家有興趣也可以在評(píng)論區(qū)說說你的使用心得。