那些功能逆天，却鲜为人知的pandas骚操作

作者：东哥

pandas有些功能很逆天，但却鲜为人知，本篇给大家盘点一下。

一、ACCESSOR

pandas有一种功能非常强大的方法，它就是accessor，可以将它理解为一种属性接口，通过它可以获得额外的方法。其实这样说还是很笼统，下面我们通过代码和实例来理解一下。

>>> pd.Series._accessors  
{'cat', 'str', 'dt'}

对于Series数据结构使用_accessors方法，可以得到了3个对象：cat，str，dt。

• .cat：用于分类数据（Categorical data）
• .str：用于字符数据（String Object data）
• .dt：用于时间数据（datetime-like data）

下面我们依次看一下这三个对象是如何使用的。

str对象的使用

Series数据类型：str字符串

 定义一个Series序列

>>> addr = pd.Series([  
...     'Washington, D.C. 20003',  
...     'Brooklyn, NY 11211-1755',  
...     'Omaha, NE 68154',  
...     'Pittsburgh, PA 15211'  
... ])   
  
>>> addr.str.upper()  
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')   
0    5  
1    9  
2    5  
3    5  
dtype: int64

关于以上str对象的2个方法说明：

• Series.str.upper：将Series中所有字符串变为大写
• Series.str.count：对Series中所有字符串的个数进行计数

其实不难发现，该用法的使用与Python中字符串的操作很相似。没错，在pandas中你一样可以这样简单的操作，而不同的是你操作的是一整列的字符串数据。仍然基于以上数据集，再看它的另一个操作：

>>> regex = (r'(?P<city>[A-Za-z ]+), '      # 一个或更多字母  
...          r'(?P<state>[A-Z]{2}) '        # 两个大写字母  
...          r'(?P<zip>\d{5}(?:-\d{4})?)')  # 可选的4个延伸数字  
...  
>>> 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

关于以上str对象的2个方法说明：

• Series.str.replace：将Series中指定字符串替换
• Series.str.extract：通过正则表达式提取字符串中的数据信息

这个用法就有点复杂了，因为很明显看到，这是一个链式的用法。通过replace将 " . " 替换为""，即为空，紧接着又使用了3个正则表达式（分别对应city，state，zip）通过extract对数据进行了提取，并由原来的Series数据结构变为了DataFrame数据结构。

当然，除了以上用法外，常用的属性和方法还有.rstrip，.contains，split等，我们通过下面代码查看一下str属性的完整列表：

>>> [i for i in dir(pd.Series.str) if not i.startswith('_')]  
['capitalize',  
 'cat',  
 'center',  
 'contains',  
 'count',  
 'decode',  
 'encode',  
 'endswith',  
 'extract',  
 'extractall',  
 'find',  
 'findall',  
 'get',  
 'get_dummies',  
 'index',  
 'isalnum',  
 'isalpha',  
 'isdecimal',  
 'isdigit',  
 'islower',  
 'isnumeric',  
 'isspace',  
 'istitle',  
 'isupper',  
 'join',  
 'len',  
 'ljust',  
 'lower',  
 'lstrip',  
 'match',  
 'normalize',  
 'pad',  
 'partition',  
 'repeat',  
 'replace',  
 'rfind',  
 'rindex',  
 'rjust',  
 'rpartition',  
 'rsplit',  
 'rstrip',  
 'slice',  
 'slice_replace',  
 'split',  
 'startswith',  
 'strip',  
 'swapcase',  
 'title',  
 'translate',  
 'upper',  
 'wrap',  
 'zfill']

属性有很多，对于具体的用法，如果感兴趣可以自己进行摸索练习。

dt对象的使用

Series数据类型：datetime

因为数据需要datetime类型，所以下面使用pandas的date_range()生成了一组日期datetime演示如何进行dt对象操作。

>>> daterng = pd.Series(pd.date_range('2017', periods=9, freq='Q'))  
>>> daterng  
0   2017-03-31  
1   2017-06-30  
2   2017-09-30  
3   2017-12-31  
4   2018-03-31  
5   2018-06-30  
6   2018-09-30  
7   2018-12-31  
8   2019-03-31  
dtype: datetime64[ns]  
  
>>>  daterng.dt.day_name()  
0      Friday  
1      Friday  
2    Saturday  
3      Sunday  
4    Saturday  
5    Saturday  
6      Sunday  
7      Monday  
8      Sunday  
dtype: object  
  
>>> # 查看下半年  
>>> daterng\[daterng.dt.quarter > 2]  
2   2017-09-30  
3   2017-12-31  
6   2018-09-30  
7   2018-12-31  
dtype: datetime64[ns]  
  
>>> daterng[daterng.dt.is_year_end]  
3   2017-12-31  
7   2018-12-31  
dtype: datetime64[ns]

以上关于dt的3种方法说明：

• Series.dt.day_name()：从日期判断出所处星期数
• Series.dt.quarter：从日期判断所处季节
• Series.dt.is_year_end：从日期判断是否处在年底

其它方法也都是基于datetime的一些变换，并通过变换来查看具体微观或者宏观日期。

cat对象的使用

Series数据类型：Category

在说cat对象的使用前，先说一下Category这个数据类型，它的作用很强大。虽然我们没有经常性的在内存中运行上g的数据，但是我们也总会遇到执行几行代码会等待很久的情况。使用Category数据的一个好处就是：可以很好的节省在时间和空间的消耗。下面我们通过几个实例来学习一下。

>>> 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

上面我们通过使用sys.getsizeof来显示内存占用的情况，数字代表字节数。还有另一种计算内容占用的方法：memory\_usage()，后面会使用。

现在我们将上面colors的不重复值映射为一组整数，然后再看一下占用的内存。

>>> mapper = {v: k for k, v in enumerate(colors.unique())}  
>>> mapper  
{'periwinkle': 0, 'mint green': 1, 'burnt orange': 2, 'rose': 3, 'navy': 4}  
  
>>> as_int = colors.map(mapper)  
>>> as_int  
0    0  
1    1  
2    2  
3    0  
4    2  
5    3  
6    3  
7    1  
8    3  
9    4  
dtype: int64  
  
>>> 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

注：对于以上的整数值映射也可以使用更简单的pd.factorize()方法代替。

我们发现上面所占用的内存是使用object类型时的一半。其实，这种情况就类似于Category data类型内部的原理。

内存占用区别：Categorical所占用的内存与Categorical分类的数量和数据的长度成正比，相反，object所占用的内存则是一个常数乘以数据的长度。

下面是object内存使用和category内存使用的情况对比。

>>> colors.memory_usage(index=False, deep=True)  
650  
>>> colors.astype('category').memory_usage(index=False, deep=True)  
495

上面结果是使用object和Category两种情况下内存的占用情况。我们发现效果并没有我们想象中的那么好。但是注意Category内存是成比例的，如果数据集的数据量很大，但不重复分类（unique）值很少的情况下，那么Category的内存占用可以节省达到10倍以上，比如下面数据量增大的情况：

>>> manycolors = colors.repeat(10)  
>>> len(manycolors)/manycolors.nunique()   
20.0  
  
>>> manycolors.memory_usage(index=False, deep=True)  
6500  
>>> manycolors.astype('category').memory_usage(index=False, deep=True)  
585

可以看到，在数据量增加10倍以后，使用Category所占内容节省了10倍以上。

除了占用内存节省外，另一个额外的好处是计算效率有了很大的提升。因为对于Category类型的Series，str字符的操作发生在.cat.categories的非重复值上，而并非原Series上的所有元素上。也就是说对于每个非重复值都只做一次操作，然后再向与非重复值同类的值映射过去。

对于Category的数据类型，可以使用accessor的cat对象，以及相应的属性和方法来操作Category数据。

>>> ccolors = colors.astype('category')  
>>> ccolors.cat.categories  
Index(['burnt orange', 'mint green', 'navy', 'periwinkle', 'rose'], dtype='object')

实际上，对于开始的整数类型映射，可以先通过reorder_categories进行重新排序，然后再使用cat.codes来实现对整数的映射，来达到同样的效果。

>>> ccolors.cat.reorder_categories(mapper).cat.codes  
0    0  
1    1  
2    2  
3    0  
4    2  
5    3  
6    3  
7    1  
8    3  
9    4  
dtype: int8

dtype类型是Numpy的int8（-127~128）。可以看出以上只需要一个单字节就可以在内存中包含所有的值。我们开始的做法默认使用了int64类型，然而通过pandas的使用可以很智能的将Category数据类型变为最小的类型。

让我们来看一下cat还有什么其它的属性和方法可以使用。下面cat的这些属性基本都是关于查看和操作Category数据类型的。

>>> [i for i in dir(ccolors.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']

但是Category数据的使用不是很灵活。例如，插入一个之前没有的值，首先需要将这个值添加到.categories的容器中，然后再添加值。

>>> ccolors.iloc[5] = 'a new color'  
# ...  
ValueError: Cannot setitem on a Categorical with a new category,  
set the categories first  
  
>>> ccolors = ccolors.cat.add\_categories(['a new color'])  
>>> ccolors.iloc[5] = 'a new color'  

如果你想设置值或重塑数据，而非进行新的运算操作，那么Category类型不是那么有用。

二、从clipboard剪切板载入数据

当我们的数据存在excel表里，或者其它的IDE编辑器中的时候，我们想要通过pandas载入数据。我们通常的做法是先保存再载入，其实这样做起来十分繁琐。一个简单的方法就是使用pd.read\_clipboard() 直接从电脑的剪切板缓存区中提取数据。

这样我们就可以直接将结构数据转变为DataFrame或者Series了。excel表中数据是这样的：

在纯文本文件中，比如txt文件，是这样的：

a   b           c       d  
0   1           inf     1/1/00  
2   7.389056099 N/A     5-Jan-13  
4   54.59815003 nan     7/24/18  
6   403.4287935 None    NaT

将上面excel或者txt中的数据选中然后复制，然后使用pandas的read_clipboard()即可完成到DataFrame的转换。parse_dates参数设置为"d"，可以自动识别日期，并调整为xxxx-xx-xx的格式。

>>> df = pd.read_clipboard(na_values=[None], parse_dates=['d'])  
>>> df  
   a         b    c          d  
0  0    1.0000  inf 2000-01-01  
1  2    7.3891  NaN 2013-01-05  
2  4   54.5982  NaN 2018-07-24  
3  6  403.4288  NaN        NaT  
  
>>> df.dtypes  
a             int64  
b           float64  
c           float64  
d    datetime64[ns]  
dtype: object

三、将pandas对象转换为“压缩”格式

在pandas中，我们可以直接将objects打包成为gzip, bz2, zip, or xz等压缩格式，而不必将没压缩的文件放在内存中然后进行转化。来看一个例子如何使用：

>>> 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

导入文件，读取并存为abalone（DataFrame结构）。当我们要存为压缩的时候，简单的使用 to_json()即可轻松完成转化过程。下面通过设置相应参数将abalone存为了.gz格式的压缩文件。

abalone.to_json('df.json.gz', orient='records',  
                lines=True, compression='gzip')

如果我们想知道储存压缩文件的大小，可以通过内置模块os.path，使用getsize方法来查看文件的字节数。下面是两种格式储存文件的大小对比。

>>> import os.path  
>>> abalone.to_json('df.json', orient='records', lines=True)  
>>> os.path.getsize('df.json') / os.path.getsize('df.json.gz')  
11.603035760226396

四、使用"测试模块"制作伪数据

在pandas中，有一个测试模块可以帮助我们生成半真实（伪数据），并进行测试，它就是util.testing。下面同我们通过一个简单的例子看一下如何生成数据测试：

>>> import pandas.util.testing as tm  
>>> tm.N, tm.K = 15, 3  # 默认的行和列  
  
>>> import numpy as np  
>>> np.random.seed(444)  
  
>>> tm.makeTimeDataFrame(freq='M').head()  
                 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  
  
>>> 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

上面简单的使用了

makeTimeDataFrame 和 makeDataFrame 分别生成了一组时间数据和DataFrame的数据。但这只是其中的两个用法，关于testing中的方法有大概30多个，如果你想全部了解，可以通过查看dir获得：

>>> [i for i in dir(tm) if i.startswith('make')]  
['makeBoolIndex',  
 'makeCategoricalIndex',  
 'makeCustomDataframe',  
 'makeCustomIndex',  
 # ...,  
 'makeTimeSeries',  
 'makeTimedeltaIndex',  
 'makeUIntIndex',  
 'makeUnicodeIndex']

五、从列项中创建DatetimeIndex

也许我们有的时候会遇到这样的情形（为了说明这种情情况，我使用了product进行交叉迭代的创建了一组关于时间的数据）：

>>> 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

明显看到，列项中有year，month，day，它们分别在各个列中，而并非是一个完整日期。那么如何从这些列中将它们组合在一起并设置为新的index呢？

通过to_datetime的使用，我们就可以直接将年月日组合为一个完整的日期，然后赋给索引。代码如下：

>>> 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

当然，你可以选择将原有的年月日列移除，只保留data数据列，然后squeeze转换为Series结构。

>>> 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  
  
>>> df.index.dtype_str  
'datetime64[ns]

---

更多精彩内容请关注Python数据科学