25个Pandas实用技巧

显示已安装的版本

输入下面的命令查询pandas版本：

In [7]:pd.__version__

Out[7]:'0.24.2'

如果你还想知道pandas所依赖的模块的版本，你可以使用 show_versions()函数 :

In [9]：

pd.show_versions()

INSTALLED VERSIONS

------------------

commit: None

python: 3.7.3.final.0

python-bits: 64

OS: Darwin

OS-release: 18.6.0

machine: x86_64

processor: i386

byteorder: little

LC_ALL: None

LANG: en_US.UTF-8

LOCALE: en_US.UTF-8

pandas: 0.24.2

pytest: None

pip: 19.1.1

setuptools: 41.0.1

Cython: None

numpy: 1.16.4

scipy: None

pyarrow: None

xarray: None

IPython: 7.5.0

sphinx: None

patsy: None

dateutil: 2.8.0

pytz: 2019.1

blosc: None

bottleneck: None

tables: None

numexpr: None

feather: None

matplotlib: 3.1.0

openpyxl: None

xlrd: None

xlwt: None

xlsxwriter: None

lxml.etree: None

bs4: None

html5lib: None

sqlalchemy: None

pymysql: None

psycopg2: None

jinja2: 2.10.1

s3fs: None

fastparquet: None

pandas_gbq: None

pandas_datareader: None

gcsfs: None

你可以查看到Python，pandas, Numpy, matplotlib等的版本信息。

创建示例DataFrame

假设你需要创建一个示例DataFrame。有很多种实现的途径，我最喜欢的方式是传一个字典给DataFrame constructor，其中字典中的 keys为列名，values为列的取值。

现在如果你需要创建一个更大的DataFrame，上述方法则需要太多的输入。在这种情况下，你可以使用 Numpy的random.rand()函数 ，告诉它行数和列数，将它传递给DataFrame constructor：

这种方式很好，但如果你还想把列名变为非数值型的，你可以强制地 将一串字符赋值给 columns参数 ：

你可以想到，你传递的字符串的长度必须与列数相同。

更改列名

让我们来看一下刚才我们创建的示例DataFrame:

我更喜欢在选取pandas列的时候使用点（.），但是这对那么列名中含有空格的列不会生效。让我们来修复这个问题。

更改列名最灵活的方式是使用rename()函数。你可以传递一个字典，其中 keys为原列名，values为新列名 ，还可以指定axis:

In [14]:

df = df.rename({'col one':'col_one', 'col two':'col_two'}, axis='columns')

使用这个函数最好的方式是你需要更改任意数量的列名，不管是一列或者全部的列。

如果你需要一次性重新命令所有的列名，更简单的方式就是 重写DataFrame的columns属性 ：

In [15]:

df.columns = ['col_one', 'col_two']

如果你需要做的仅仅是将空格换成下划线，那么更好的办法是使用 str.replace()方法 ，这是因为你都不需要输入所有的列名：

In [16]:

df.columns = df.columns.str.replace(' ', '_')

上述三个函数的结果都一样，可以更改列名使得列名中不含有空格：

最后，如果你需要在列名中添加前缀或者后缀，你可以使用 add_prefix()函数 ：

或者使用 add_suffix()函数 ：

行序反转

让我们来看一下drinks这个DataFame:

In [20]:

drinks.head()

Out[20]:

country beer_servings spirit_servings wine_servings total_litres_of_pure_alcohol continent 0 Afghanistan 0 0 0 0.0 Asia 1 Albania 89 132 54 4.9 Europe 2 Algeria 25 0 14 0.7 Africa 3 Andorra 245 138 312 12.4 Europe 4 Angola 217 57 45 5.9 Africa

该数据集描述了每个国家的平均酒消费量。如果你想要将行序反转呢？

最直接的办法是使用 loc函数并传递::-1 ，跟Python中列表反转时使用的切片符号一致：

In [21]:

drinks.loc[::-1].head()

Out[21]:

country beer_servings spirit_servings wine_servings total_litres_of_pure_alcohol continent 192 Zimbabwe 64 18 4 4.7 Africa 191 Zambia 32 19 4 2.5 Africa 190 Yemen 6 0 0 0.1 Asia 189 Vietnam 111 2 1 2.0 Asia 188 Venezuela 333 100 3 7.7 South America

如果你还想重置索引使得它从0开始呢？

你可以使用 reset_index()函数 ，告诉他去 掉完全抛弃之前的索引 ：

In [22]:

drinks.loc[::-1].reset_index(drop=True).head()

Out[22]:

country beer_servings spirit_servings wine_servings total_litres_of_pure_alcohol continent 0 Zimbabwe 64 18 4 4.7 Africa 1 Zambia 32 19 4 2.5 Africa 2 Yemen 6 0 0 0.1 Asia 3 Vietnam 111 2 1 2.0 Asia 4 Venezuela 333 100 3 7.7 South America

你可以看到，行序已经反转，索引也被重置为默认的整数序号。

列序反转

跟之前的技巧一样，你也可以使用loc函数将列从左至右反转：

In [23]:

drinks.loc[:, ::-1].head()

Out[23]:

continent total_litres_of_pure_alcohol wine_servings spirit_servings beer_servings country 0 Asia 0.0 0 0 0 Afghanistan 1 Europe 4.9 54 132 89 Albania 2 Africa 0.7 14 0 25 Algeria 3 Europe 12.4 312 138 245 Andorra 4 Africa 5.9 45 57 217 Angola

逗号之前的冒号表示选择所有行，逗号之后的::-1表示反转所有的列，这就是为什么country这一列现在在最右边。

通过数据类型选择列

这里有drinks这个DataFrame的数据类型：

In [24]:

drinks.dtypes

Out[24]:

country object

beer_servings int64

spirit_servings int64

wine_servings int64

total_litres_of_pure_alcohol float64

continent object

dtype: object

假设你仅仅需要 选取数值型的列 ，那么你可以使用 select_dtypes()函数 ：

In [25]:

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

Out[25]:

beer_servings spirit_servings wine_servings total_litres_of_pure_alcohol 0 0 0 0 0.0 1 89 132 54 4.9 2 25 0 14 0.7 3 245 138 312 12.4 4 217 57 45 5.9

这包含了int和float型的列。

你也可以使用这个函数来选取数据类型为object的列：

你还可以选取多种数据类型，只需要传递一个列表即可：

你还可以用来排除特定的数据类型：

将字符型转换为数值型

让我们来创建另一个示例DataFrame:

这些数字实际上储存为 字符型 ，导致其数据类型为object:

为了对这些列进行数学运算，我们需要 将数据类型转换成数值型 。你可以对前两列使用 astype()函数 ：

但是，如果你对第三列也使用这个函数，将会引起错误，这是因为这一列包含了破折号（用来表示0）但是pandas并不知道如何处理它。

你可以对第三列使用to_numeric()函数，告诉其将任何无效数据转换为NaN:

如果你知道NaN值代表0，那么你可以fillna()函数将他们替换成0：

最后，你可以通过apply()函数一次性对整个DataFrame使用这个函数：

仅需一行代码就完成了我们的目标，因为现在所有的数据类型都转换成float:

减小DataFrame空间大小

pandas DataFrame被设计成可以适应内存，所以有些时候你可以减小DataFrame的空间大小，让它在你的系统上更好地运行起来。

这是drinks这个DataFrame所占用的空间大小：

可以看到它使用了30.4KB。

如果你对你的DataFrame有操作方面的问题，或者你不能将它读进内存，那么在读取文件的 过程中有两个步骤可以使用来减小DataFrame的空间大小。

第一个步骤是只读取那些你实际上需要用到的列，可以调用usecols参数：

通过仅读取用到的两列，我们将DataFrame的空间大小缩小至13.6KB。

第二步是将所有实际上为类别变量的object列转换成类别变量，可以调用dtypes参数：

通过将continent列读取为category数据类型，我们进一步地把DataFrame的空间大小缩小至2.3KB。

值得注意的是，如果跟行数相比，category数据类型的列数相对较小，那么catefory数据类型可以减小内存占用。

按行从多个文件中构建DataFrame

假设你的数据集分化为多个文件，但是你需要将这些数据集读到一个DataFrame中。

举例来说，我有一些关于股票的小数聚集，每个数据集为单天的CSV文件。 这是第一天的：

这是第二天的：

这是第三天的：

你可以将每个CSV文件读取成DataFrame，将它们结合起来，然后再删除原来的DataFrame，但是这样会多占用内存且需要许多代码

更好的方式为使用内置的glob模块。你可以给glob()函数传递某种模式，包括未知字符，这样它会返回符合该某事的文件列表。在这种方式下，glob会查找所有以stocks开头的CSV文件：

glob会返回任意排序的文件名，这就是我们为什么要用Python内置的sorted()函数来对列表进行排序。

我们以生成器表达式用read_csv()函数来读取每个文件，并将结果传递给concat()函数，这会将单个的DataFrame按行来组合：

不幸的是，索引值存在重复。为了避免这种情况，我们需要告诉concat()函数来忽略索引，使用默认的整数索引：

按列从多个文件中构建DataFrame

上一个技巧对于数据集中每个文件包含行记录很有用。但是如果数据集中的每个文件包含的列信息呢？

这里有一个例子，dinks数据集被划分成两个CSV文件，每个文件包含三列：

同上一个技巧一样，我们以使用glob()函数开始。这一次，我们需要告诉concat()函数按列来组合：

现在我们的DataFrame已经有六列了。

End.

译者：山阴少年

来源：博客园

原文链接：https://nbviewer.jupyter.org/github/justmarkham/pandas-videos/blob/master/top_25_pandas_tricks.ipynb

本文为转载，如有侵权请联系后台删除

好文章，我 在看 :heart: