第十二章 高阶pandas

12.3 方法链技术

在向数据集应用一系列变换时，你可能会发现自己创建了许多临时变量，而这些变量在分析中从未使用过。例如，考虑以下例子：

df = load_data()
df2 = df[df['col2'] < 0]
df2['col1_demeaned'] = df2['col1'] - df2['col1'].mean()
result = df2.groupby('key').col1_demeaned.std()

尽管我们在这里并未使用真实数据，但是这个例子体现了一些新的方法。首先， DataFrame.assign方法是对df[k] = v的赋值方式的一种功能替代。它返回的是一个按指定修改的新的DataFrame，而不是在原对象上进行修改。因此，下面这些表述是等价的：

# 常见的非函数方式
df2 = df.copy()
df2['k'] = v
# 函数赋值的方式
df2 = df.assign(k=v)

原位赋值可能比使用assign更为快速，但assign可以实现更方便的方法链：

result = (df2.assign(col1_demeaned=df2.col1 - df2.col2.mean())
          .groupby('key')
          .col1_demeaned.std())

我使用外部的小括号来使添加换行符更方便。
在做方法链时要牢记你可能会需要引用临时对象。在之前的例子中，我们无法引用load_data的结果，除非它被赋值给临时变量df。为了处理这种情况，assign和很多其他的pandas函数接受函数型的参数，这种参数也被称为可调用参数。
为了展示操作中的可调用对象，考虑下面这段之前讲过的代码段：

df = load_data()
df2 = df[df['col2'] < 0]

上面的代码可以改写为：

df = (load_data()
[lambda x: x['col2'] < 0])

这里，load_data的结果没有复制给一个变量，因此传递进[]的函数将会被绑定到方法链那一阶段的对象上。
之后，我们可以继续将整个序列写作一个单链表达式：

result = (load_data()
          [lambda x: x.col2 < 0]
          .assign(col1_demeaned=lambda x: x.col1 - x.col1.mean())
          .groupby('key')
          .col1_demeaned.std())

无论你是否倾向于按这种风格写代码都是偏好问题，但将表达式分解为多个步骤可能会使代码更具可读性。

12.3.1 pipe方法

使用内建的pandas函数和我们刚才看到的用可调用参数进行方法链接的方式，你可以完成很多工作。然而，有时你需要使用自定义的函数或来自第三方库的函数。这就是pipe（管道）方法出现的原因。
考虑下面一个函数调用序列：

a = f(df, arg1=v1)
b = g(a, v2, arg3=v3)
c = h(b, arg4=v4)

在使用接受并返回Series或DataFrame对象的函数时，你可以调用pipe方法重写代码：

result = (df.pipe(f, arg1=v1)
          .pipe(g, v2, arg3=v3)
          .pipe(h, arg4=v4))

表达式f(df)和df.pipe(f)是等价的，但是pipe使得链式调用更为方便。
将操作的序列泛化成可复用的函数是pipe方法的一个潜在用途。作为示例，让我们考虑从一列中减去分组平均值：

g = df.groupby(['key1', 'key2'])
df['col1'] = df['col1'] - g.transform('mean')

假设你想要对多个列去除均值并方便地改变分组键。此外，你可能想要将转换在方法链中执行。下面是一个示例实现：

def group_demean(df, by, cols):
    result = df.copy()
    g = df.groupby(by)
    for c in cols:
        result[c] = df[c] - g[c].transform('mean')
    return result

之后可以写如下代码：

result = (df[df.col1 < 0]
          .pipe(group_demean, ['key1', 'key2'], ['col1']))