6个冷门但实用的pandas知识点
共 2506字,需浏览 6分钟
·
2021-01-19 01:23
1 简介
pandas
作为开展数据分析的利器,蕴含了与数据处理相关的丰富多样的API,使得我们可以灵活方便地对数据进行各种加工,但很多pandas
中的实用方法其实大部分人都是不知道的,今天就来给大家介绍6个不太为人们所所熟知的实用pandas
小技巧。
![](https://filescdn.proginn.com/ff9ba0d38c331459c857985ea803cb2d/546d822c433264f7d8f7f389a95eebd8.webp)
2 6个实用的pandas
小知识
2.1 Series与DataFrame的互转
很多时候我们计算过程中产生的结果是Series
格式的,而接下来的很多操作尤其是使用「链式」语法时,需要衔接着传入DataFrame
格式的变量,这种时候我们就可以使用到pandas
中Series
向DataFrame
转换的方法:
「利用to_frame()实现Series转DataFrame」
s = pd.Series([0, 1, 2])
# Series转为DataFrame,name参数用于指定转换后的字段名
s = s.to_frame(name='列名')
s
![](https://filescdn.proginn.com/cbce083be92564af83880fb6182a6b94/7d657b168b1e0f504635051c65e66a2b.webp)
顺便介绍一下单列数据组成的数据框转为Series
的方法:
「利用squeeze()实现单列数据DataFrame转Series」
# 只有单列数据的DataFrame转为Series
s.squeeze()
![](https://filescdn.proginn.com/f414695fb76e748c840a606b1382a850/6e726b2614b166fec39c965cf8f53c98.webp)
2.2 随机打乱DataFrame的记录行顺序
有时候我们需要对数据框整体的行顺序进行打乱,譬如在训练机器学习模型时,打乱原始数据顺序后取前若干行作为训练集后若干行作为测试集,这在pandas
中可以利用sample()
方法快捷实现。
sample()
方法的本质功能是从原始数据中抽样行记录,默认为不放回抽样,其参数frac
用于控制抽样比例,我们将其设置为1则等价于打乱顺序:
df = pd.DataFrame({
'V1': range(5),
'V2': range(5)
})
df.sample(frac=1)
![](https://filescdn.proginn.com/18e9119a46add37ab23c591816a98334/85a984f0cb9d17ef24de56be1405c1bc.webp)
2.3 利用类别型数据减少内存消耗
当我们的数据框中某些列是由少数几种值大量重复形成时,会消耗大量的内存,就像下面的例子一样:
import numpy as np
pool = ['A', 'B', 'C', 'D']
# V1列由ABCD大量重复形成
df = pd.DataFrame({
'V1': np.random.choice(pool, 1000000)
})
# 查看内存使用情况
df.memory_usage(deep=True)
![](https://filescdn.proginn.com/f3f31bfab5a0d132f4075880025ba3d8/97ff710cf014ed8e6b6ff4655feeb180.webp)
这种时候我们可以使用到pandas
数据类型中的类别型来极大程度上减小内存消耗:
df['V1'] = df['V1'].astype('category')
df.memory_usage(deep=True)
![](https://filescdn.proginn.com/3d96c9cb47a85b35fffda1c2d37d95ee/efbd7f5e9f66c5f9b5c700b7e2a5b6dc.webp)
可以看到,转换类型之后内存消耗减少了将近98.3%!
2.4 pandas中的object类型陷阱
在日常使用pandas
处理数据的过程中,经常会遇到object
这种数据类型,很多初学者都会把它视为字符串,事实上object
在pandas
中可以代表不确定的数据类型,即类型为object
的Series
中可以混杂着多种数据类型:
s = pd.Series(['111100', '111100', 111100, '111100'])
s
![](https://filescdn.proginn.com/8f0b47f21aa59280af0c3b5292bedaa9/ed25cb2b1d8e539540e125b0159e62b0.webp)
查看类型分布:
s.apply(lambda s: type(s))
![](https://filescdn.proginn.com/5e0b19b3757e0ca53e21a3166ff125d7/a1c339fd76a3543c3866e7c3c7e1cf63.webp)
这种情况下,如果贸然当作字符串列来处理,对应的无法处理的元素只会变成缺失值而不报错,给我们的分析过程带来隐患:
s.str.replace('00', '11')
![](https://filescdn.proginn.com/7ccf1f06b75357b0811df7ba1957b2e4/b702c1c120c18dff18cca3168dff4472.webp)
这种时候就一定要先转成对应的类型,再执行相应的方法:
s.astype('str').str.replace('00', '11')
![](https://filescdn.proginn.com/98ea391cd58beacf858bb6e4be66e7e3/8a3e2f94164c209218b04ff482bce712.webp)
2.5 快速判断每一列是否有缺失值
在pandas
中我们可以对单个Series
查看hanans
属性来了解其是否包含缺失值,而结合apply()
,我们就可以快速查看整个数据框中哪些列含有缺失值:
df = pd.DataFrame({
'V1': [1, 2, None, 4],
'V2': [1, 2, 3, 4],
'V3': [None, 1, 2, 3]
})
df.apply(lambda s: s.hasnans)
![](https://filescdn.proginn.com/639d8a1f74ba80976ed6d7194c540897/4d773b06b4c94ef25ee2e120d73d72ad.webp)
2.6 使用rank()计算排名时的五种策略
在pandas
中我们可以利用rank()
方法计算某一列数据对应的排名信息,但在rank()
中有参数method
来控制具体的结果计算策略,有以下5种策略,在具体使用的时候要根据需要灵活选择:
「average」
在average
策略下,相同数值的元素的排名是其内部排名的均值:
s = pd.Series([1, 2, 2, 2, 3, 4, 4, 5, 6])
s.rank(method='average')
![](https://filescdn.proginn.com/83a36f323569011a4323d196762fd747/1f043ff5313a5acef4b540eb53fab60e.webp)
「min」
在min
策略下,相同元素的排名为其内部排名的最小值:
s.rank(method='min')
![](https://filescdn.proginn.com/005891b74a19ca8303a2af4e193a97b6/4affd9dc285313bbf466d4bf6bb1ff64.webp)
「max」
max
策略与min
正好相反,取的是相同元素内部排名的最大值:
s.rank(method='max')
![](https://filescdn.proginn.com/c0f2ac22a3c18234db75d4a0d6985f20/17cc2d3528e6b4242b7ca5b6c8a9957d.webp)
「dense」
在dense
策略下,相当于对序列去重后进行排名,再将每个元素的排名赋给相同的每个元素,这种方式也是比较贴合实际需求的:
s.rank(method='dense')
![](https://filescdn.proginn.com/6c8539c23219ad781fddb480c8770083/0ff8184d8c85624b96007c03c134253b.webp)
「first」
在first
策略下,当多个元素相同时,会根据这些相同元素在实际Series
中的顺序分配排名:
s = pd.Series([2, 2, 2, 1, 3])
s.rank(method='first')
![](https://filescdn.proginn.com/fc1921b3671070c61b1b82b6b12ab3f1/d0bfb465768db297c7a9752c54559703.webp)
相关阅读: