Pandas常用技巧总结

作者：Labryant 2020-06-04 10:49:53大数据 归纳整理了一些工作中常用到的常用pandas使用技巧，方便更高效地实现数据分析。技巧

归纳整理了一些工作中常用到的总结pandas使用技巧，方便更高效地实现数据分析。常用

1.计算变量缺失率

df=pd.read_csv('titanic_train.csv') 
def missing_cal(df): 
    """ 
    df :数据集 
     
    return：每个变量的技巧缺失率 
    """ 
    missing_series = df.isnull().sum()/df.shape[0] 
    missing_df = pd.DataFrame(missing_series).reset_index() 
    missing_df = missing_df.rename(columns={ 'index':'col', 
                                            0:'missing_pct'}) 
    missing_df = missing_df.sort_values('missing_pct',ascending=False).reset_index(drop=True) 
    return missing_df 
missing_cal(df) 

 

如果需要计算样本的缺失率分布，只要加上参数axis=1.

2.获取分组里最大值所在的总结行方法

分为分组中有重复值和无重复值两种。

无重复值的常用情况。

df = pd.DataFrame({ 'Sp':['a',技巧'b','c','d','e','f'], 'Mt':['s1', 's1', 's2','s2','s2','s3'], 'Value':[1,2,3,4,5,6], 'Count':[3,2,5,10,10,6]}) 
df 

 

 

df.iloc[df.groupby(['Mt']).apply(lambda x: x['Count'].idxmax())] 

 

先按Mt列进行分组，然后对分组之后的总结数据框使用idxmax函数取出Count最大值所在的列，再用iloc位置索引将行取出。常用

有重复值的技巧情况

df["rank"] = df.groupby("ID")["score"].rank(method="min", ascending=False).astype(np.int64) 
df[df["rank"] == 1][["ID", "class"]] 

对ID进行分组之后再对分数应用rank函数，分数相同的总结情况会赋予相同的排名，然后取出排名为1的常用数据。

 

3.多列合并为一行

df = pd.DataFrame({ 'id_part':['a',技巧'b','c','d'], 'pred':[0.1,0.2,0.3,0.4], 'pred_class':['women','man','cat','dog'], 'v_id':['d1','d2','d3','d1']}) 

 

 

df.groupby(['v_id']).agg({ 'pred_class': [', '.join],'pred': lambda x: list(x), 
'id_part': 'first'}).reset_index() 

 

4.删除包含特定字符串所在的行

df = pd.DataFrame({ 'a':[1,2,3,4], 'b':['s1', 'exp_s2', 's3','exps4'], 'c':[5,6,7,8], 'd':[3,2,5,10]}) 
df[df['b'].str.contains('exp')] 

 

5.组内排序

df = pd.DataFrame([['A',1],['A',3],['A',2],['B',5],['B',9]], columns = ['name','score']) 
df 

 

介绍两种高效地组内排序的方法。

df.sort_values(['name',总结'score'], ascending = [True,False]) 
 
df.groupby('name').apply(lambda x: x.sort_values('score', ascending=False)).reset_index(drop=True) 

 

6.选择特定类型的列

drinks = pd.read_csv('data/drinks.csv') 
# 选择所有数值型的列 
drinks.select_dtypes(include=['number']).head() 
# 选择所有字符型的列 
drinks.select_dtypes(include=['object']).head() 
drinks.select_dtypes(include=['number','object','category','datetime']).head() 
# 用 exclude 关键字排除指定的数据类型 
drinks.select_dtypes(exclude=['number']).head() 

7.字符串转换为数值

 

df = pd.DataFrame({ '列1':['1.1','2.2','3.3'], 
                  '列2':['4.4','5.5','6.6'], 
                  '列3':['7.7','8.8','-']}) 
df 
 
df.astype({ '列1':'float','列2':'float'}).dtypes 

用这种方式转换第三列会出错，因为这列里包含一个代表 0 的下划线，pandas 无法自动判断这个下划线。 为了解决这个问题，可以使用 to_numeric() 函数来处理第三列，让 pandas 把任意无效输入转为 NaN。

df = df.apply(pd.to_numeric, errors='coerce').fillna(0) 
df 

 

8.优化 DataFrame 对内存的占用

方法一：只读取切实所需的列，使用usecols参数

cols = ['beer_servings','continent'] 
small_drinks = pd.read_csv('data/drinks.csv', usecols=cols) 

方法二：把包含类别型数据的 object 列转换为 Category 数据类型，通过指定 dtype 参数实现。

dtypes ={ 'continent':'category'} 
smaller_drinks = pd.read_csv('data/drinks.csv',usecols=cols, dtype=dtypes) 

9.根据最大的类别筛选 DataFrame

movies = pd.read_csv('data/imdb_1000.csv') 
counts = movies.genre.value_counts() 
movies[movies.genre.isin(counts.nlargest(3).index)].head() 

 

10.把字符串分割为多列

df = pd.DataFrame({ '姓名':['张 三','李 四','王 五'], 
                   '所在地':['北京-东城区','上海-黄浦区','广州-白云区']}) 
df 
df.姓名.str.split(' ', expand=True) 

11.把 Series 里的列表转换为 DataFrame

df = pd.DataFrame({ '列1':['a','b','c'],'列2':[[10,20], [20,30], [30,40]]}) 
df 

 

 

df_new = df.列2.apply(pd.Series) 
pd.concat([df,df_new], axis='columns') 

12.用多个函数聚合

orders = pd.read_csv('data/chipotle.tsv', sep='\t') 
orders.groupby('order_id').item_price.agg(['sum','count']).head() 

 

13.分组聚合

import pandas as pd 
df = pd.DataFrame({ 'key1':['a', 'a', 'b', 'b', 'a'], 
    'key2':['one', 'two', 'one', 'two', 'one'], 
    'data1':np.random.randn(5), 
     'data2':np.random.randn(5)}) 
df 

 

 

for name, group in df.groupby('key1'): print(name) print(group) 

 

 

dict(list(df.groupby('key1'))) 

 

通过字典或Series进行分组

people = pd.DataFrame(np.random.randn(5, 5), 
     columns=['a', 'b', 'c', 'd', 'e'], 
     index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis']) 
mapping = { 'a':'red', 'b':'red', 'c':'blue', 
     'd':'blue', 'e':'red', 'f':'orange'} 
by_column = people.groupby(mapping, axis=1) 
by_column.sum() 

 

 

 

责任编辑：未丽燕 来源： 风控猎人 Pandas字符串技巧

(责任编辑：知识)