【技巧】11 个 Python Pandas 小技巧让你更高效

作者 / Shiu-TangLi，翻译 / 吴振东

校对 / 王雨桐，编辑 / 昱良

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。

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

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 = 5，就可以在载入全部数据前先读取一小部分数据。如此一来，就可以避免选错分隔符这样的错误啦（数据不一定都是用逗号来分隔）。

（或者在linux系统中，你可以使用‘head’来展示任意文本文件的前五行：head -c 5 data.txt）

接下来，用 df.columns.tolist() 可以提取每一列并转换成list。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。

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 pddf1 = pd.DataFrame({  a :[0,0,0],  b : [1,1,1]})df2 = df1df2[ a ] = df2[ a ] + 1df1.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()

也可以这样做：

from copy import deepcopy
df2 = deepcopy(df1)

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

几个适用情景：把True、False，转换成1、0（为了建模）；定义级别；使用字典编码。

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
    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。

7. 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。

8. 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()

9. 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]

10. 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
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]

这种方法的运行速度很快（并没有使用到apply函数）。

11. 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。