pandas是基于numpy构建的，使数据分析工作变得更快更简单的高级数据结构和操作工具。本文为大家带来10个玩转Python的小技巧，学会了分分钟通关变大神!
image
1. read_csv
每个人都知道这个命令。但如果你要读取很大的数据，尝试添加这个参数：nrows = 5，以便在实际加载整个表之前仅读取表的一小部分。然后你可以通过选择错误的分隔符来避免错误(它不一定总是以逗号分隔)。
(或者，你可以在linux中使用'head'命令来检查任何文本文件中的前5行，例如：head -c 5 data.txt)
然后，你可以使用df.columns.tolist()来提取列表中的所有列，然后添加usecols = ['c1'，'c2'，...]参数以加载所需的列。此外，如果你知道几个特定列的数据类型，则可以添加参数dtype = {'c1'：str，'c2'：int，...}，以便数据加载得更快。此参数还有另一个优点，如果你有一个同时包含字符串和数字的列，那么将其类型声明为字符串是一个好选择，这样就可以在尝试使用此列作为键去合并表时不会出错。
Python学习群：556370268，有大牛答疑，有资源共享！有想学习python编程的，或是转行，或是大学生，还有工作中想提升自己能力的，正在学习的小伙伴欢迎加入学习。
2. select_dtypes
如果必须在Python中进行数据预处理，那么这个命令可以节约一些时间。读取表后，每列的默认数据类型可以是bool，int64，float64，object，category，timedelta64或datetime64。你可以先查看
df.dtypes.value_counts（）
命令分发的结果以了解数据帧的所有可能数据类型，然后执行
df.select_dtypes（include = ['float64'，'int64']）
选择仅具有数字特征的子数据帧。
3. Copy
这是一个重要的命令。如果执行以下命令：
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已经改变了。这是因为df2 = df1没有复制df1的值并将其分配给df2，而是设置指向df1的指针。因此，df2的任何变化都会导致df1发生变化 要解决这个问题，你可以：
df2
= df1.copy()
br
或者
from copy import deepcopy
df2 = deepcopy(df1)
4. Map
这是一个可以进行简单数据转换的命令。首先定义一个字典，其中'keys'是旧值，'values'是新值。
level_map = {1: ‘high’, 2: ‘medium’, 3: ‘low’}
df[‘c_level’] = df[‘c’].map(level_map)
举几个例子：True，False为1,0(用于建模); 定义水平; 用户定义的词法编码。
5. apply or not apply?
如果我们想创建一个新的列，并将其他列作为输入，那么apply函数有时非常有用。
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()
在上面的代码中，我们定义了一个带有两个输入变量的函数，并使用apply函数将其应用于列'c1'和'c2'。
Python学习群：556370268，有大牛答疑，有资源共享！有想学习python编程的，或是转行，或是大学生，还有工作中想提升自己能力的，正在学习的小伙伴欢迎加入学习。
但“apply函数”的问题是它有时太慢了。 如果你想计算两列“c1”和“c2”的最大值，你可以：
df[‘maximum’] = df.apply(lambda x: max(x[‘c1’], x[‘c2’]), axis = 1)
但你会发现它比这个命令慢得多：
df[‘maximum’] = df[[‘c1’,’c2']].max(axis =1)
注意：如果可以使用其他内置函数完成相同的工作(它们通常更快)，请不要使用apply。例如，如果要将列'c'舍入为整数，请执行round(df ['c']，0)而非使用apply函数：
df.apply(lambda x: round(x['c'], 0), axis = 1)
6. value counts
这是一个检查值分布的命令。例如，如果你想检查“c”列中每个值的可能值和频率，可以执行以下操作
df[‘c’].value_counts()
它有一些有用的技巧/参数：
A. normalize = True：如果你要检查频率而不是计数。
B. dropna = False：如果你要统计数据中包含的缺失值。
C. df['c'].value_counts().reset_index(): 如果你想将stats表转换成pandas数据帧并进行操作。
D. df['c'].value_counts().reset_index().sort_values(by='index') : 显示按值而不是按计数排序的统计数据。
7. 缺失值的数量
构建模型时，你可能希望排除具有很多缺失值或全是缺失值的行。你可以使用.isnull()和.sum()来计算指定列中缺失值的数量。
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]})
dfdf = df[[‘id’, ‘c1’, ‘c2’]]
df[‘num_nulls’] = df[[‘c1’, ‘c2’]].isnull().sum(axis=1)
df.head()
8. 选择具有特定ID的行
在SQL中，我们可以使用SELECT * FROM ... WHERE ID('A001'，'C022'，...)来获取具有特定ID的记录。如果想用Pandas做同样的事情，你可以
dfdf_filter = df[‘ID’].isin([‘A001’,‘C022’,...])
df[df_filter]
9. Percentile groups
你有一个数字列，并希望将该列中的值分类为组，例如将列的前5%，分为组1，前5-20%分为组2，前20%-50%分为组3，最后50%分为组4。当然，你可以用pandas.cut来做，但这里提供另一个选择：
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]
这个指令使计算机运行的非常快(没有使用应用功能)。
10. to_csv
这也是每个人都会使用的命令。这里指出两个技巧。 第一个是
print(df[:5].to_csv())
你可以使用此命令准确地打印出写入文件的前五行数据。
另一个技巧是处理混合在一起的整数和缺失值。如果列同时包含缺失值和整数，则数据类型仍将是float而不是int。导出表时，可以添加float_format ='%。0f'将所有浮点数舍入为整数。如果只想要所有列的整数输出，请使用此技巧，你将摆脱所有令人苦恼的'.0'。
网友评论