起航学习网

- 让每个人都能学到最前沿新知识、新技能!
起航学习网
当前位置: 起航学习网 > 职业教育 > 零基础学Pandas编码的方法有哪些

零基础学Pandas编码的方法有哪些

时间:2019-08-16 14:17:38来源:编程网 作者:IT培训网 已有: 名学员访问该课程

  快捷搜索:零基础学Pandas(1)

前言:在阅读本文时,我建议你阅读每个你不了解的函数的文档字符串(docstrings)。简单的 Google 搜索和几秒钟 Pandas 文档的阅读,都会使你的阅读体验更加愉快。

从小白到大师,这里有一份pandas入门指南!

通过本文,你将有望发现一到多种用 pandas 编码的新方法。

本文包括以下内容:

  • Pandas 发展现状;
  • 内存优化;
  • 索引;
  • 方法链;
  • 随机提示。

在阅读本文时,我建议你阅读每个你不了解的函数的文档字符串(docstrings)。简单的 Google 搜索和几秒钟 Pandas 文档的阅读,都会使你的阅读体验更加愉快。

一、Pandas 的定义和现状

1. 什么是 Pandas?

Pandas 是一个「开源的、有 BSD 开源协议的库,它为 Python 编程语言提供了高性能、易于使用的数据架构以及数据分析工具」。总之,它提供了被称为 DataFrame 和 Series(对那些使用 Panel 的人来说,它们已经被弃用了)的数据抽象,通过管理索引来快速访问数据、执行分析和转换运算,甚至可以绘图(用 matplotlib 后端)。

Pandas 的当前最新版本是 v0.25.0

(https://github.com/pandas-dev/pandas/releases/tag/v0.25.0)

零基础学Pandas编码的方法有哪些_www.epx365.cn

Pandas 正在逐步升级到 1.0 版,而为了达到这一目的,它改变了很多人们习以为常的细节。Pandas 的核心开发者之一 Marc Garcia 发表了一段非常有趣的演讲——「走向 Pandas 1.0」。

演讲链接:https://www.youtube.com/watch?v=hK6o_TDXXN8

用一句话来总结,Pandas v1.0 主要改善了稳定性(如时间序列)并删除了未使用的代码库(如 SparseDataFrame)。

2. 数据

让我们开始吧!选择「1985 到 2016 年间每个国家的自杀率」作为玩具数据集。这个数据集足够简单,但也足以让你上手 Pandas。

数据集链接:

https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016

在深入研究代码之前,如果你想重现结果,要先执行下面的代码准备数据,确保列名和类型是正确的。


  1. import pandas as pd 
  2. import numpy as np 
  3. import os 
  4. # to download https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016 
  5.  
  6. data_path = 'path/to/folder/' 
  7. df = (pd.read_csv(filepath_or_buffer=os.path.join(data_path, 'master.csv'))  
  8. .rename(columns={'suicides/100k pop' : 'suicides_per_100k', ' gdp_for_year ($) ' : 'gdp_year',  'gdp_per_capita ($)' : 'gdp_capita', 'country-year' : 'country_year'})  
  9. .assign(gdp_year=lambda _df: _df['gdp_year'].str 
  10. .replace(',','').astype(np.int64)) ) 

提示:如果你读取了一个大文件,在 read_csv(https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)中参数设定为 chunksize=N,这会返回一个可以输出 DataFrame 对象的迭代器。

这里有一些关于这个数据集的描述:

零基础学Pandas编码的方法有哪些_www.epx365.cn


  1. >>> df.columnsIndex(['country', 'year', 'sex', 'age', 'suicides_no', 'population', 'suicides_per_100k', 'country_year', 'HDI for year', 'gdp_year', 'gdp_capita', 'generation'], dtype='object'

这里有 101 个国家、年份从 1985 到 2016、两种性别、六个年代以及六个年龄组。有一些获得这些信息的方法:

可以用 unique() 和 nunique() 获取列内唯一的值(或唯一值的数量);


  1. >>> df['generation'].unique() 
  2. array(['Generation X', 'Silent', 'G.I. Generation', 'Boomers', 'Millenials', 'Generation Z'], dtype=object
  3. >>> df['country'].nunique() 
  4. 101 

可以用 describe() 输出每一列不同的统计数据(例如最小值、最大值、平均值、总数等),如果指定 include='all',会针对每一列目标输出唯一元素的数量和出现最多元素的数量;

零基础学Pandas编码的方法有哪些_www.epx365.cn

可以用 head() 和 tail() 来可视化数据框的一小部分。

通过这些方法,你可以迅速了解正在分析的表格文件。

二、内存优化

在处理数据之前,了解数据并为数据框的每一列选择合适的类型是很重要的一步。

在内部,Pandas 将数据框存储为不同类型的 numpy 数组(比如一个 float64 矩阵,一个 int32 矩阵)。

有两种可以大幅降低内存消耗的方法。


  1. import pandas as pd 
  2.  
  3. def mem_usage(df: pd.DataFrame) -> str:  
  4. """This method styles the memory usage of a DataFrame to be readable as MB. Parameters ---------- df: pd.DataFrame Data frame to measure. Returns ------- str Complete memory usage as a string formatted for MB. """  
  5.     return f'{df.memory_usage(deep=True).sum() / 1024 ** 2 : 3.2f} MB' 
  6.  
  7. def convert_df(df: pd.DataFrame, deep_copy: bool = True) -> pd.DataFrame:  
  8. """Automatically converts columns that are worth stored as ``categorical`` dtype. Parameters ---------- df: pd.DataFrame Data frame to convert. deep_copy: bool Whether or not to perform a deep copy of the original data frame. Returns ------- pd.DataFrame Optimized copy of the input data frame. """  
  9.     return df.copy(deep=deep_copy).astype({ col: 'category' for col in df.columns if df[col].nunique() / df[col].shape[0] < 0.5}) 

Pandas 提出了一种叫做 memory_usage() 的方法,这种方法可以分析数据框的内存消耗。在代码中,指定 deep=True 来确保考虑到了实际的系统使用情况。

memory_usage():

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.memory_usage.html

了解列的类型

(https://pandas.pydata.org/pandas-docs/stable/getting_started/basics.html#basics-dtypes)很重要。它可以通过两种简单的方法节省高达 90% 的内存使用:

  • 了解数据框使用的类型;
  • 了解数据框可以使用哪种类型来减少内存的使用(例如,price 这一列值在 0 到 59 之间,只带有一位小数,使用 float64 类型可能会产生不必要的内存开销)

除了降低数值类型的大小(用 int32 而不是 int64)外,Pandas 还提出了分类类型:https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html

如果你是用 R 语言的开发人员,你可能觉得它和 factor 类型是一样的。

这种分类类型允许用索引替换重复值,还可以把实际值存在其他位置。教科书中的例子是国家。和多次存储相同的字符串「瑞士」或「波兰」比起来,为什么不简单地用 0 和 1 替换它们,并存储在字典中呢?


  1. categorical_dict = {0: 'Switzerland', 1: 'Poland'} 

Pandas 做了几乎相同的工作,同时添加了所有的方法,可以实际使用这种类型,并且仍然能够显示国家的名称。

回到 convert_df() 方法,如果这一列中的唯一值小于 50%,它会自动将列类型转换成 category。这个数是任意的,但是因为数据框中类型的转换意味着在 numpy 数组间移动数据,因此我们得到的必须比失去的多。

接下来看看数据中会发生什么。


  1. >>> mem_usage(df) 
  2. 10.28 MB 
  3. >>> mem_usage(df.set_index(['country', 'year', 'sex', 'age'])) 
  4. 5.00 MB 
  5. >>> mem_usage(convert_df(df)) 
  6. 1.40 MB 
  7. >>> mem_usage(convert_df(df.set_index(['country', 'year', 'sex', 'age']))) 
  8. 1.40 MB 

通过使用「智能」转换器,数据框使用的内存几乎减少了 10 倍(准确地说是 7.34 倍)。

三、索引

Pandas 是强大的,但也需要付出一些代价。当你加载 DataFrame 时,它会创建索引并将数据存储在 numpy 数组中。这是什么意思?一旦加载了数据框,只要正确管理索引,就可以快速地访问数据。

访问数据的方法主要有两种,分别是通过索引和查询访问。根据具体情况,你只能选择其中一种。但在大多数情况中,索引(和多索引)都是最好的选择。我们来看下面的例子:


  1. >>> %%time 
  2. >>> df.query('country == "Albania" and year == 1987 and sex == "male" and age == "25-34 years"') 
  3. CPU times: user 7.27 ms, sys: 751 µs, total: 8.02 ms 
  4. # ================== 
  5. >>> %%time 
  6. >>> mi_df.loc['Albania', 1987, 'male', '25-34 years'] 

什么?加速 20 倍?

你要问自己了,创建这个多索引要多长时间?


  1. %%time 
  2. mi_df = df.set_index(['country', 'year', 'sex', 'age']) 
  3. CPU times: user 10.8 ms, sys: 2.2 ms, total: 13 ms 

通过查询访问数据的时间是 1.5 倍。如果你只想检索一次数据(这种情况很少发生),查询是正确的方法。否则,你一定要坚持用索引,CPU 会为此感激你的。

.set_index(drop=False) 允许不删除用作新索引的列。

.loc[]/.iloc[] 方法可以很好地读取数据框,但无法修改数据框。如果需要手动构建(比如使用循环),那就要考虑其他的数据结构了(比如字典、列表等),在准备好所有数据后,创建 DataFrame。否则,对于 DataFrame 中的每一个新行,Pandas 都会更新索引,这可不是简单的哈希映射。


  1. >>> (pd.DataFrame({'a':range(2), 'b': range(2)}, index=['a', 'a']) .loc['a'])  
  2.   a b 
  3. a 0 0 
  4. a 1 1 

因此,未排序的索引可以降低性能。为了检查索引是否已经排序并对它排序,主要有两种方法:


  1. %%time 
  2. >>> mi_df.sort_index() 
  3. CPU times: user 34.8 ms, sys: 1.63 ms, total: 36.5 ms 
  4. >>> mi_df.index.is_monotonicTrue 

更多详情请参阅:

  • Pandas 高级索引用户指南:https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html;
  • Pandas 库中的索引代码:https://github.com/pandas-dev/pandas/blob/master/pandas/core/indexing.py。

四、方法链

使用 DataFrame 的方法链是链接多个返回 DataFrame 方法的行为,因此它们都是来自 DataFrame 类的方法。在现在的 Pandas 版本中,使用方法链是为了不存储中间变量并避免出现如下情况:


  1. import numpy as np 
  2. import pandas as pd 
  3. df = pd.DataFrame({'a_column': [1, -999, -999], 'powerless_column': [2, 3, 4], 'int_column': [1, 1, -1]})  
  4. df['a_column'] = df['a_column'].replace(-999, np.nan)  
  5. df['power_column'] = df['powerless_column'] ** 2  
  6. df['real_column'] = df['int_column'].astype(np.float64)  
  7. dfdf = df.apply(lambda _df: _df.replace(4, np.nan))  
  8. dfdf = df.dropna(how='all'

用下面的链替换:


  1. df = (pd.DataFrame({'a_column': [1, -999, -999],  
  2. 'powerless_column': [2, 3, 4],  
  3. 'int_column': [1, 1, -1]})  
  4. .assign(a_column=lambda _df: _df['a_column'].replace(-999, np.nan))  
  5. .assign(power_column=lambda _df: _df['powerless_column'] ** 2)  
  6. .assign(real_column=lambda _df: _df['int_column'].astype(np.float64))  
  7. .apply(lambda _df: _df.replace(4, np.nan))  
  8. .dropna(how='all') ) 

说实话,第二段代码更漂亮也更简洁。

零基础学Pandas编码的方法有哪些_www.epx365.cn

方法链的工具箱是由不同的方法(比如 apply、assign、loc、query、pipe、groupby 以及 agg)组成的,这些方法的输出都是 DataFrame 对象或 Series 对象(或 DataFrameGroupBy)。

了解它们最好的方法就是实际使用。举个简单的例子:


  1. (df  
  2. .groupby('age')  
  3. .agg({'generation':'unique'})  
  4. .rename(columns={'generation':'unique_generation'}) 
  5. # Recommended from v0.25 
  6. # .agg(unique_generation=('generation', 'unique'))) 

获得每个年龄范围中所有唯一年代标签的简单链。

零基础学Pandas编码的方法有哪些_www.epx365.cn

在得到的数据框中,「年龄」列是索引

除了了解到「X 代」覆盖了三个年龄组外,分解这条链。第一步是对年龄组分组。这一方法返回了一个 DataFrameGroupBy 对象,在这个对象中,通过选择组的唯一年代标签聚合了每一组。

在这种情况下,聚合方法是「unique」方法,但它也可以接受任何(匿名)函数。

在 0.25 版本中,Pandas 引入了使用 agg 的新方法:

https://dev.pandas.io/whatsnew/v0.25.0.html#groupby-aggregation-with-relabeling。


  1. (df  
  2. .groupby(['country', 'year'])  
  3. .agg({'suicides_per_100k': 'sum'})  
  4. .rename(columns={'suicides_per_100k':'suicides_sum'}) 
  5. # Recommended from v0.25 
  6. # .agg(suicides_sum=('suicides_per_100k', 'sum')) .sort_values('suicides_sum', ascending=False) .head(10)) 

用排序值(sort_values)和 head 得到自杀率排前十的国家和年份


  1. (df  
  2. .groupby(['country', 'year'])  
  3. .agg({'suicides_per_100k': 'sum'})  
  4. .rename(columns={'suicides_per_100k':'suicides_sum'}) 
  5. # Recommended from v0.25 
  6. # .agg(suicides_sum=('suicides_per_100k', 'sum'))  
  7. .nlargest(10, columns='suicides_sum')) 

用排序值 nlargest 得到自杀率排前十的国家和年份

在这些例子中,输出都是一样的:有两个指标(国家和年份)的 MultiIndex 的 DataFrame,还有包含排序后的 10 个最大值的新列 suicides_sum。

零基础学Pandas编码的方法有哪些_www.epx365.cn

「国家」和「年份」列是索引

nlargest(10) 比 sort_values(ascending=False).head(10) 更有效。

另一个有趣的方法是 unstack:

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.unstack.html,这种方法允许转动索引水平。


  1. (mi_df  
  2. .loc[('Switzerland', 2000)]  
  3. .unstack('sex') [['suicides_no', 'population']]) 

零基础学Pandas编码的方法有哪些_www.epx365.cn

「age」是索引,列「suicides_no」和「population」都有第二个水平列「sex」。

下一个方法 pipe 是最通用的方法之一。这种方法允许管道运算(就像在 shell 脚本中)执行比链更多的运算。

管道的一个简单但强大的用法是记录不同的信息。


  1. def log_head(df, head_count=10):  
  2.     print(df.head(head_count))  
  3.     return df 
  4.  
  5. def log_columns(df):  
  6.     print(df.columns)  
  7.     return df 
  8.  
  9. def log_shape(df):  
  10.     print(f'shape = {df.shape}')  
  11.     return df 

和 pipe 一起使用的不同记录函数。

举个例子,我们想验证和 year 列相比,country_year 是否正确:


  1. (df  
  2. .assign(valid_cy=lambda _serie: _serie.apply(  
  3. lambda _row: re.split(r'(?=\d{4})',  
  4. _row['country_year'])[1] == str(_row['year']), axis=1))  
  5. .query('valid_cy == False')  
  6. .pipe(log_shape)) 

用来验证「country_year」列中年份的管道。

管道的输出是 DataFrame,但它也可以在标准输出(console/REPL)中打印。


  1. shape = (0, 13) 

你也可以在一条链中用不同的 pipe。


  1. (df .pipe(log_shape)  
  2. .query('sex == "female"')  
  3. .groupby(['year', 'country'])  
  4. .agg({'suicides_per_100k':'sum'})  
  5. .pipe(log_shape)  
  6. .rename(columns={'suicides_per_100k':'sum_suicides_per_100k_female'}) 
  7. # Recommended from v0.25 
  8. # .agg(sum_suicides_per_100k_female=('suicides_per_100k', 'sum'))  
  9. .nlargest(n=10columns=['sum_suicides_per_100k_female'])) 

女性自杀数量最高的国家和年份。

生成的 DataFrame 如下所示:

零基础学Pandas编码的方法有哪些_www.epx365.cn

索引是「年份」和「国家」

标准输出的打印如下所示:


  1. shape = (27820, 12) 
  2. shape = (2321, 1) 

除了记录到控制台外,pipe 还可以直接在数据框的列上应用函数。


  1. from sklearn.preprocessing import MinMaxScaler 
  2.  
  3. def norm_df(df, columns):  
  4.     return df.assign(**{col: MinMaxScaler().fit_transform(df[[col]].values.astype(float))   
  5.     for col in columns})   
  6.  
  7. for sex in ['male', 'female']:  
  8.     print(sex)  
  9.     print( df .query(f'sex == "{sex}"')  
  10.     .groupby(['country'])  
  11.     .agg({'suicides_per_100k': 'sum', 'gdp_year': 'mean'})  
  12.     .rename(columns={'suicides_per_100k':'suicides_per_100k_sum',  'gdp_year': 'gdp_year_mean'}) 
  13.     # Recommended in v0.25 
  14.     # .agg(suicides_per_100k=('suicides_per_100k_sum', 'sum'),  
  15.     # gdp_year=('gdp_year_mean', 'mean'))  
  16.     .pipe(norm_df, columns=['suicides_per_100k_sum', 'gdp_year_mean'])  
  17.     .corr(method='spearman') )  
  18.     print('\n') 

自杀数量是否和 GDP 的下降相关?是否和性别相关?

上面的代码在控制台中的打印如下所示:


  1. male 
  2.                     suicides_per_100k_sum gdp_year_mean 
  3. suicides_per_100k_sum       1.000000         0.421218 
  4. gdp_year_mean               0.421218         1.000000 

  1. female 
  2.                      suicides_per_100k_sum gdp_year_mean 
  3. suicides_per_100k_sum        1.000000         0.452343 
  4. gdp_year_mean                0.452343  

深入研究代码。norm_df() 将一个 DataFrame 和用 MinMaxScaling 扩展列的列表当做输入。使用字典理解,创建一个字典 {column_name: method, …},然后将其解压为 assign() 函数的参数 (colunmn_name=method, …)。

在这种特殊情况下,min-max 缩放不会改变对应的输出:

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.corr.html,它仅用于参数。

在(遥远的?)未来,缓式评估(lazy evaluation)可能出现在方法链中,所以在链上做一些投资可能是一个好想法。

最后(随机)的技巧

下面的提示很有用,但不适用于前面的任何部分:

itertuples() 可以更高效地遍历数据框的行;


  1. >>> %%time 
  2. >>> for row in df.iterrows(): continue 
  3. CPU times: user 1.97 s, sys: 17.3 ms, total: 1.99 s 
  4. >>> for tup in df.itertuples(): continue 
  5. CPU times: user 55.9 ms, sys: 2.85 ms, total: 58.8 ms 

注意:tup 是一个 namedtuple

join() 用了 merge();在 Jupyter 笔记本中,在代码块的开头写上 %%time,可以有效地测量时间;UInt8 类:https://pandas.pydata.org/pandas-docs/stable/user_guide/gotchas.html#support-for-integer-na支持带有整数的 NaN 值;

记住,任何密集的 I/O(例如展开大型 CSV 存储)用低级方法都会执行得更好(尽可能多地用 Python 的核心函数)。

还有一些本文没有涉及到的有用的方法和数据结构,这些方法和数据结构都很值得花时间去理解:

  • 数据透视表:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.pivot.html?source=post_page
  • 时间序列/日期功能:https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html?source=post_page;
  • 绘图:https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html?source=post_page。

总结

希望你可以因为这篇简短的文章,更好地理解 Pandas 背后的工作原理,以及 Pandas 库的发展现状。本文还展示了不同的用于优化数据框内存以及快速分析数据的工具。希望对现在的你来说,索引和查找的概念能更加清晰。最后,你还可以试着用方法链写更长的链。

这里还有一些笔记:https://github.com/unit8co/medium-pandas-wan?source=post_page

除了文中的所有代码外,还包括简单数据索引数据框(df)和多索引数据框(mi_df)性能的定时指标。

零基础学Pandas编码的方法有哪些_www.epx365.cn

熟能生巧,所以继续修炼技能,并帮助我们建立一个更好的世界吧。

PS:有时候纯用 Numpy 会更快。

来源地址:http://www.epx365.cn/qgtk/201953857.html

来源标题:零基础学Pandas编码的方法有哪些


你也许会喜欢如下的文章?
(责任编辑:IT培训网)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片
培训学校
IT培训网 访问该机构站点 报名留言 加为好友 用户等级:注册会员 用户级别:10 机构名称:IT培训网 联 系 人:罗老师 联系电话: 联系手机:13783581536 在线客服:起航学习网客服 在 线 QQ:起航学习网客服 电子邮件:3158895217@qq.com 网站域名:http://www.cnitedu.cn 注册时间:2016-07-18 11:07 最后登录:2019-08-16 13:08