6个提升效率的pandas小技巧

这篇文章目的梳理几个高效实用的pandas小技巧，供大家参考。

1. 从剪切板中创建DataFrame

pandas中的read_clipboard()方法非常神奇，可以把剪切板中的数据变成dataframe格式，也就是说直接在excel中复制表格，可以快速转化为dataframe。

以下面这个excel数据表为例，全部选中，按ctrl+c复制：

然后在python中执行pd.read_clipboard()，就能得到一模一样的dataframe数据表：

pd.read_clipboard()

这功能对经常在excel和python中切换的分析师来说简直是福音，excel中的数据能一键转化为pandas可读格式。

2. 通过数据类型选择columns

数据分析过程可能会需要筛选数据列，比如只需要数值列，以经典的泰坦尼克数据集为例：

import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.head()

查看该数据集各列的数据类型：

df.dtypes

可以看到各列的数据类型不太一样，有int、object、float、bool等。

如果说我只要需要数值列，也就是数据类型为int、float的列，可以通过select_dtypes方法实现：

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

选择除数据类型为int外其他的列，注意这里的参数是exclude：

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

也可以选择多种数据类型：

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

3. 将strings改为numbers

在pandas中，有两种方法可以将字符串改为数值：

• astype()方法
• to_numeric()方法

先创建一个样本dataframe，看看这两种方法有什么不同。

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

product列是字符串类型，price、sales列虽然内容有数字，但它们的数据类型也是字符串。

值得注意的是，price列都是数字，sales列有数字，但空值用-代替了。

df.dtypes

下面我们用astype()方法将price列的数据类型改为int:

df['price'] = df['price'].astype(int)
# 或者用另一种方式
df = df.astype({'price': 'int'})

但如果你同样用astype()方法更改sales列的话就会出现报错：

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

原因是sales列里面的内容除了数字外还有-，它是字符串，没办法转化为int。

而to_numeric()方法却可以解决这一问题，只需要设置参数errors='coerce'。

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

df

现在sale列中的-已经被替换成了NaN,它的数据类型也变成了float。

df.dtypes

4. 检测并处理缺失值

有一种比较通用的检测缺失值的方法是info()，它可以统计每列非缺失值的数量。

还是用泰坦尼克数据集：

import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.info()

标红色地方是有缺失值的列，并且给出了非缺失值的数量，你可以计算出该列有多少缺失值。

这样看可能不够直观，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()则能够返回该数据集总共有多少缺失值：

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

还可以看缺失值在该列的占比是多少，用df.isna().mean()方法：

df.isna().mean()

注意：这里isnull()和isna()使用效果一样。

那如何处理缺失值呢？

两种方式：删除和替换。

• 删除包含缺失值的行：

df.dropna(axis = 0)

• 删除包含缺失值的列：

df.dropna(axis = 1)

• 如果一列里缺失值超过10%，则删除该列：

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

• 用一个标量替换缺失值：

df.fillna(value=10)

• 用上一行对应位置的值替换缺失值：

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

• 用前一列对应位置的值替换缺失值：

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

• 用下一行对应位置的值替换缺失值：

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

• 用后一列对应位置的值替换缺失值：

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

• 使用某一列的平均值替换缺失值：

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

当然你还可以用最大最小值、分位数值等来替换缺失值。

5. 对连续数据进行离散化处理

在数据准备过程中，常常会组合或者转换现有特征以创建一个新的特征，其中将连续数据离散化是非常重要的特征转化方式，也就是将数值变成类别特征。

同样以泰坦尼克数据集为例，里面有一列是年龄特征age:

import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df['age'].head()

年龄是一段连续值，如果我们想对它进行分组变成分类特征，比如（<=12，儿童）、（<=18，青少年）、（<=60，成人）、（>60，老人），可以用cut方法实现：

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

df.head()

注意：这里的sys.maxsize是指可以存储的最大值。

可以看到新增了一列ageGroup，用以展示年龄分组：

df['ageGroup'].head()

6. 从多个文件中构建一个DataFrame

有时候数据集可能分布在多个excel或者csv文件中，但需要把它读取到一个DataFrame中，这样的需求该如何实现？

做法是分别读取这些文件，然后将多个dataframe组合到一起，变成一个dataframe。

这里使用内置的glob模块，来获取文件路径，简洁且更有效率。

在上图中，glob()在指定目录中查找所有以“ data_row_”开头的CSV文件。

glob()以任意顺序返回文件名，这就是为什么使用sort()函数对列表进行排序的原因。

「行合并」

假设数据集按行分布在2个文件中，分别是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，然后逐个读取，并且使用concat()方法进行合并，得到结果：

「列合并」

假设数据集按列分布在2个文件中，分别是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，然后逐个读取，并且使用concat()方法进行列合并（注意这里axis=1），得到结果：