Pandas不为人知的七大实用技巧
大家好，我今天勤快地回来了，这一期主要是和大家分享一些pandas的实用技巧，会在日常生活中大大提升效率，希望可以帮助到大家,还是老样子，先给大家奉上这一期的章节目录:
- 自定义pandas选项，设置
- 实用pandas中testing模块构建测试数据
- 巧用accessor访问器
- 合并其他列拼接DatetimeIndex
- 使用分类数据（Categorical Data）节省时间和空间
- 利用Mapping巧妙实现映射
- 压缩pandas对象
- 源码及GitHub地址
好啦，话不多说，让我们一个个看吧
1. 自定义pandas选项，设置
首先，大家可能不知道，pandas里面有一个方法pd.set_option()，利用它我们可以改变一些pandas中默认的核心设置，
从而适应我们自身的需要，开始前还是老样子，让我们先导入numpy和pandas包
import numpy as np
import pandas as pd
f'Using {pd.__name__}, Version {pd.__version__}''Using pandas, Version 0.23.0'
现在让我们编写一个start方法来实现自定义pandas设置
def start():
options = {
'display': {
'max_columns': None,
'max_colwidth': 25,
'expand_frame_repr': False, # Don't wrap to multiple pages
'max_rows': 14,
'max_seq_items': 50, # Max length of printed sequence
'precision': 4,
'show_dimensions': False
},
'mode': {
'chained_assignment': None # Controls SettingWithCopyWarning
}
}
for category, option in options.items():
for op, value in option.items():
pd.set_option(f'{category}.{op}', value) # Python 3.6+
if __name__ == '__main__':
start()
del start # Clean up namespace in the interpreter大家可以发现，我们在方法的最后调用了pandas的set_option方法，直接利用我们自定义的参数替代了原有的pandas参数，现在让我们测试一下：
pd.get_option('display.max_rows')
Out:14可以发现max_rows 已经被替换成了我们设置的14，现在用一个真实的例子，我们利用一组公开的鲍鱼各项指标的数据来实验，数据源来自机器学习平台的公开数据
url = ('https://archive.ics.uci.edu/ml/'
'machine-learning-databases/abalone/abalone.data')
cols = ['sex', 'length', 'diam', 'height', 'weight', 'rings']
abalone = pd.read_csv(url, usecols=[0, 1, 2, 3, 4, 8], names=cols)
abalone| sex | length | diam | height | weight | rings | |
|---|---|---|---|---|---|---|
| 0 | M | 0.455 | 0.365 | 0.095 | 0.5140 | 15 |
| 1 | M | 0.350 | 0.265 | 0.090 | 0.2255 | 7 |
| 2 | F | 0.530 | 0.420 | 0.135 | 0.6770 | 9 |
| 3 | M | 0.440 | 0.365 | 0.125 | 0.5160 | 10 |
| 4 | I | 0.330 | 0.255 | 0.080 | 0.2050 | 7 |
| 5 | I | 0.425 | 0.300 | 0.095 | 0.3515 | 8 |
| 6 | F | 0.530 | 0.415 | 0.150 | 0.7775 | 20 |
| ... | ... | ... | ... | ... | ... | ... |
| 4170 | M | 0.550 | 0.430 | 0.130 | 0.8395 | 10 |
| 4171 | M | 0.560 | 0.430 | 0.155 | 0.8675 | 8 |
| 4172 | F | 0.565 | 0.450 | 0.165 | 0.8870 | 11 |
| 4173 | M | 0.590 | 0.440 | 0.135 | 0.9660 | 10 |
| 4174 | M | 0.600 | 0.475 | 0.205 | 1.1760 | 9 |
| 4175 | F | 0.625 | 0.485 | 0.150 | 1.0945 | 10 |
| 4176 | M | 0.710 | 0.555 | 0.195 | 1.9485 | 12 |
我们可以看到，数据截断为14行，保留了小数点后4位小数作为精度，和我们刚刚设置的precision=4是一样的
2. 实用pandas中testing模块构建测试数据
通过pandas.util.testing提供的方法，我们可以很容易的通过几行代码就构建出一个简单的测试数据类型，比如我们现在构建一个DataTime类型的数据，
时间间隔为月：
import pandas.util.testing as tm
tm.N, tm.K = 15, 3 # 规定行和列
import numpy as np
np.random.seed(444)
tm.makeTimeDataFrame(freq='M').head() # 设置时间间隔为月
# tm.makeTimeDataFrame(freq='D').head() 设置时间间隔为天| A | B | C | |
|---|---|---|---|
| 2000-01-31 | 0.3574 | -0.8804 | 0.2669 |
| 2000-02-29 | 0.3775 | 0.1526 | -0.4803 |
| 2000-03-31 | 1.3823 | 0.2503 | 0.3008 |
| 2000-04-30 | 1.1755 | 0.0785 | -0.1791 |
| 2000-05-31 | -0.9393 | -0.9039 | 1.1837 |
瞎生成一组乱七八糟的数据：
tm.makeDataFrame().head()| A | B | C | |
|---|---|---|---|
| nTLGGTiRHF | -0.6228 | 0.6459 | 0.1251 |
| WPBRn9jtsR | -0.3187 | -0.8091 | 1.1501 |
| 7B3wWfvuDA | -1.9872 | -1.0795 | 0.2987 |
| yJ0BTjehH1 | 0.8802 | 0.7403 | -1.2154 |
| 0luaYUYvy1 | -0.9320 | 1.2912 | -0.2907 |
关于可以随机生成的数据类型, 一共大概有30多种，大家如果感兴趣可以多试试：
[i for i in dir(tm) if i.startswith('make')]['makeBoolIndex',
'makeCategoricalIndex',
'makeCustomDataframe',
'makeCustomIndex',
'makeDataFrame',
'makeDateIndex',
'makeFloatIndex',
'makeFloatSeries',
'makeIntIndex',
'makeIntervalIndex',
'makeMissingCustomDataframe',
'makeMissingDataframe',
'makeMixedDataFrame',
'makeMultiIndex',
'makeObjectSeries',
'makePanel',
'makePeriodFrame',
'makePeriodIndex',
'makePeriodPanel',
'makePeriodSeries',
'makeRangeIndex',
'makeStringIndex',
'makeStringSeries',
'makeTimeDataFrame',
'makeTimeSeries',
'makeTimedeltaIndex',
'makeUIntIndex',
'makeUnicodeIndex']
这样我们如果有测试的需求，会很容易地构建相对应的假数据来测试。
3. 巧用accessor访问器
accessor（访问器） 具体就是类似getter和setter，当然，Python里面不提倡存在setter和getter方法，但是这样可以便于大家理解，pandas Series类型有3类accessor：
pd.Series._accessors
Out:{'cat', 'dt', 'str'}- .cat用于分类数据，
- .str用于字符串（对象）数据，
- .dt用于类似日期时间的数据。
让我们从.str开始看：假设现在我们有一些原始的城市/州/ 邮编数据作为Dataframe的一个字段：
addr = pd.Series([
'Washington, D.C. 20003',
'Brooklyn, NY 11211-1755',
'Omaha, NE 68154',
'Pittsburgh, PA 15211'
])addr.str.upper() # 因为字符串方法是矢量化的，这意味着它们在没有显式for循环的情况下对整个数组进行操作0 WASHINGTON, D.C. 20003
1 BROOKLYN, NY 11211-1755
2 OMAHA, NE 68154
3 PITTSBURGH, PA 15211
dtype: object
addr.str.count(r'\d') # 查看邮编有几位0 5
1 9
2 5
3 5
dtype: int64
如果我们想把每一行分成城市，州，邮编分开，可以用正则；
regex = (r'(?P<city>[A-Za-z ]+), ' # One or more letters
r'(?P<state>[A-Z]{2}) ' # 2 capital letters
r'(?P<zip>\d{5}(?:-\d{4})?)') # Optional 4-digit extension
addr.str.replace('.', '').str.extract(regex)| city | state | zip | |
|---|---|---|---|
| 0 | Washington | DC | 20003 |
| 1 | Brooklyn | NY | 11211-1755 |
| 2 | Omaha | NE | 68154 |
| 3 | Pittsburgh | PA | 15211 |
第二个访问器.dt用于类似日期时间的数据。它其实属于Pandas的DatetimeIndex，如果在Series上调用，它首先转换为DatetimeIndex
daterng = pd.Series(pd.date_range('2018', periods=9, freq='Q')) # 时间间隔为季度
daterng0 2018-03-31
1 2018-06-30
2 2018-09-30
3 2018-12-31
4 2019-03-31
5 2019-06-30
6 2019-09-30
7 2019-12-31
8 2020-03-31
dtype: datetime64[ns]
daterng.dt.day_name()0 Saturday
1 Saturday
2 Sunday
3 Monday
4 Sunday
5 Sunday
6 Monday
7 Tuesday
8 Tuesday
dtype: object
daterng[daterng.dt.quarter > 2] # 查看2019年第3季度和第4季度2 2018-09-30
3 2018-12-31
6 2019-09-30
7 2019-12-31
dtype: datetime64[ns]
daterng[daterng.dt.is_year_end] #查看年末的一天3 2018-12-31
7 2019-12-31
dtype: datetime64[ns]
最后有关.cat访问器我们会在第5个技巧中提到
4. 合并其他列拼接DatetimeIndex
现在先让我们构建一个包含时间类型数据的Dataframe：
from itertools import product
datecols = ['year', 'month', 'day']
df = pd.DataFrame(list(product([2017, 2016], [1, 2], [1, 2, 3])),
columns=datecols)
df['data'] = np.random.randn(len(df))
df| year | month | day | data | |
|---|---|---|---|---|
| 0 | 2017 | 1 | 1 | -0.0767 |
| 1 | 2017 | 1 | 2 | -1.2798 |
| 2 | 2017 | 1 | 3 | 0.4032 |
| 3 | 2017 | 2 | 1 | 1.2377 |
| 4 | 2017 | 2 | 2 | -0.2060 |
| 5 | 2017 | 2 | 3 | 0.6187 |
| 6 | 2016 | 1 | 1 | 2.3786 |
| 7 | 2016 | 1 | 2 | -0.4730 |
| 8 | 2016 | 1 | 3 | -2.1505 |
| 9 | 2016 | 2 | 1 | -0.6340 |
| 10 | 2016 | 2 | 2 | 0.7964 |
| 11 | 2016 | 2 | 3 | 0.0005 |
我们可以发现year，month，day是分开的三列，我们如果想要把它们合并为完整的时间并作为df的索引，可以这么做:
df.index = pd.to_datetime(df[datecols])
df.head()| year | month | day | data | |
|---|---|---|---|---|
| 2017-01-01 | 2017 | 1 | 1 | -0.0767 |
| 2017-01-02 | 2017 | 1 | 2 | -1.2798 |
| 2017-01-03 | 2017 | 1 | 3 | 0.4032 |
| 2017-02-01 | 2017 | 2 | 1 | 1.2377 |
| 2017-02-02 | 2017 | 2 | 2 | -0.2060 |
我们可以扔掉没用的列并把这个df压缩为Series：
df = df.drop(datecols, axis=1).squeeze()
df.head()2017-01-01 -0.0767
2017-01-02 -1.2798
2017-01-03 0.4032
2017-02-01 1.2377
2017-02-02 -0.2060
Name: data, dtype: float64
type(df)pandas.core.series.Series
df.index.dtype_str'datetime64[ns]'
5. 使用分类数据（Categorical Data）节省时间和空间
刚刚我们在第3个技巧的时候提到了访问器，现在让我们来看最后一个.cat
pandas中Categorical这个数据类型非常强大，通过类型转换可以让我们节省变量在内存占用的空间，提高运算速度，不过有关具体的pandas加速实战，我会在
下一期说，现在让我们来看一个小栗子：
colors = pd.Series([
'periwinkle',
'mint green',
'burnt orange',
'periwinkle',
'burnt orange',
'rose',
'rose',
'mint green',
'rose',
'navy'
])
import sys
colors.apply(sys.getsizeof)
0 59
1 59
2 61
3 59
4 61
5 53
6 53
7 59
8 53
9 53
dtype: int64
我们首先创建了一个Series，填充了各种颜色，接着查看了每个地址对应的颜色所占内存的大小
注意这里我们使用sys.getsizeof()来获取占内存大小，但是实际上空格也是占内存的，sys.getsizeof('')返回的是49bytes
接下来我们想把每种颜色用占内存更少的数字来表示（机器学习种非常常见），这样可以减少占用的内存，首先让我们创建一个mapper字典，给每一种颜色指定
一个数字
mapper = {v: k for k, v in enumerate(colors.unique())}
mapper{'periwinkle': 0, 'mint green': 1, 'burnt orange': 2, 'rose': 3, 'navy': 4}
接着我们把刚才的colors数组转化为int类型：
# 也可以通过 pd.factorize(colors)[0] 实现
as_int = colors.map(mapper)
as_int0 0
1 1
2 2
3 0
4 2
5 3
6 3
7 1
8 3
9 4
dtype: int64
再让我们看一下占用的内存：
as_int.apply(sys.getsizeof)0 24
1 28
2 28
3 24
4 28
5 28
6 28
7 28
8 28
9 28
dtype: int64
现在可以观察到我们的内存占用的空间几乎是之前的一半，其实，刚刚我们做的正是模拟Categorical Data的转化原理。现在让我们直接调用一下：
colors.memory_usage(index=False, deep=True)
Out:650colors.astype('category').memory_usage(index=False, deep=True)
Out: 495大家可能感觉节省的空间并不是非常大对不对？ 因为目前我们这个数据根本不是真实场景，我们仅仅把数据容量增加10倍，现在再让我们看看效果：
manycolors = colors.repeat(10)
len(manycolors) / manycolors.nunique() # Much greater than 2.0x
Out:20.0f"Not using category : { manycolors.memory_usage(index=False, deep=True)}"'Not using category : 6500'
f"Using category : { manycolors.astype('category').memory_usage(index=False, deep=True)}"'Using category : 585'
这回内存的占用量差距明显就出来了，现在让我们用.cat来简化一下刚刚的工作：
new_colors = colors.astype('category')
new_colors0 periwinkle
1 mint green
2 burnt orange
3 periwinkle
4 burnt orange
5 rose
6 rose
7 mint green
8 rose
9 navy
dtype: category
Categories (5, object): [burnt orange, mint green, navy, periwinkle, rose]
new_colors.cat.categories # 可以使用.cat.categories查看代表的颜色Index(['burnt orange', 'mint green', 'navy', 'periwinkle', 'rose'], dtype='object')
现在让我们查看把颜色代表的数字：
new_colors.cat.codes0 3
1 1
2 0
3 3
4 0
5 4
6 4
7 1
8 4
9 2
dtype: int8
我们如果不满意顺序也可以从新排序：
new_colors.cat.reorder_categories(mapper).cat.codes0 0
1 1
2 2
3 0
4 2
5 3
6 3
7 1
8 3
9 4
dtype: int8
有关cat其他的方法，我们还是可以通过遍历dir来查看：
[i for i in dir(new_colors.cat) if not i.startswith('_')]['add_categories',
'as_ordered',
'as_unordered',
'categories',
'codes',
'ordered',
'remove_categories',
'remove_unused_categories',
'rename_categories',
'reorder_categories',
'set_categories']
Categorical 数据通常不太灵活，比如我们不能直接在new_colors上新增一个新的颜色，要首先通过
.add_categories来添加
ccolors.iloc[5] = 'a new color'---------------------------------------------------------------------------
NameError Traceback (most recent call last)
<ipython-input-36-1766a795336d> in <module>()
----> 1 ccolors.iloc[5] = 'a new color'
NameError: name 'ccolors' is not defined
new_colors = new_colors.cat.add_categories(['a new color'])new_colors.iloc[5] = 'a new color' # 不会报错new_colors.values # 成功添加6. 利用Mapping巧妙实现映射
假设现在我们有存贮国家的一组数据，和一组用来映射国家所对应的大洲的数据：
countries = pd.Series([
'United States',
'Canada',
'Mexico',
'Belgium',
'United Kingdom',
'Thailand'
])
groups = {
'North America': ('United States', 'Canada', 'Mexico', 'Greenland'),
'Europe': ('France', 'Germany', 'United Kingdom', 'Belgium')
}我们可以通过下面的方法来实现简单的映射：
from typing import Any
def membership_map(s: pd.Series, groups: dict,
fillvalue: Any=-1) -> pd.Series:
# Reverse & expand the dictionary key-value pairs
groups = {x: k for k, v in groups.items() for x in v}
return s.map(groups).fillna(fillvalue) membership_map(countries, groups, fillvalue='other')很简单对不对，现在让我们看一下最关键的一行代码，groups = {x: k for k, v in groups.items() for x in v}，这个是我之前提到过的字典推导式：
test = dict(enumerate(('ab', 'cd', 'xyz')))
{x: k for k, v in test.items() for x in v}7. 压缩pandas对象
如果你的pandas版本大于0.21.0，那么都可以直接把pandas用压缩形式写入，常见的类型有gzip, bz2, zip，这里我们直接用刚才鲍鱼的数据集：abalone.to_json('df.json.gz', orient='records',lines=True, compression='gzip') # 压缩为gz类型
abalone.to_json('df.json', orient='records', lines=True) #压缩为jsonimport os.path
os.path.getsize('df.json') / os.path.getsize('df.json.gz') #压缩大小差了10倍，还是gz更厉害8. 源码及GitHub地址
这一期为大家总结了很多pandas实用的小技巧，希望大家喜欢
我把这一期的ipynb文件和py文件放到了Github上，大家如果想要下载可以点击下面的链接：
- Github仓库地址： https://github.com/yaozeliang/pandas_share
这一期就到这里啦，希望大家能够继续支持我，完结，撒花
python
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。