Pandas进阶小技巧

Pandas是一个在Python中广泛应用的数据分析包。 网上有很多关于Pandas的经典教程，但本文介绍几个隐藏的炫酷小技巧，相信这些会对新手有所帮助。 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。

预计学习用时：30分钟。

本教程基于Python 3.6版本、Pandas 0.23.4版本。

原创者：THU数据派 | 修改校对：SofaSofa TeamM |

---

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=100，就可以在载入全部数据前先读取一小部分数据。

此外，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。

比如

df = pd.read_csv('data.csv', nrows=100, usecols=['c1', 'c2'], dtype = {‘c1’: str, ‘c2’: int})

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()

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 = {'high': 1, 'medium': 2, 'low': 3}

df['c_level'] = df['c'].map(level_map)

适用情景：把high、medium，low等字符串转换成3、2、1等数值（为了建模）。

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
    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。

6. 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。

7. 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()

8. 依据指定ID来选取行

在SQL中我们可以使用SELECT * FROM … WHERE ID in (‘A001’,‘C022’, …)来获取含有指定ID的记录。如果你也想在Pandas中做类似的事情，你可以使用：

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

df[df_filter]

9. 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
import pandas as pd

df= pd.DataFrame({'c': np.random.normal(0, 1, 100)})
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])
df.head()

这种方法的运行速度很快（因为没有使用到apply函数）。

10. 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。

11. 其他常见问题

其他关于Pandas的常见问题，可参考SofaSofa的站内搜索Pandas。

也欢迎各位朋友积极在SofaSofa上提问和解答。

•   学完咯！