高效的10個(gè)Pandas函數(shù)，你都用過了嗎？
andas是python中最主要的數(shù)據(jù)分析庫之一，它提供了非常多的函數(shù)、方法，可以高效地處理并分析數(shù)據(jù)。讓pandas如此受歡迎的原因是它簡潔、靈活、功能強(qiáng)大的語法。
這篇文章將會(huì)配合實(shí)例，講解20個(gè)重要的pandas函數(shù)。其中有一些很常用，相信你可能用到過。還有一些函數(shù)出現(xiàn)的頻率沒那么高，但它們同樣是分析數(shù)據(jù)的得力幫手。
介紹這些函數(shù)之前，第一步先要導(dǎo)入pandas和numpy。
- import numpy as np
- import pandas as pd
1. Query
Query是pandas的過濾查詢函數(shù)，使用布爾表達(dá)式來查詢DataFrame的列，就是說按照列的規(guī)則進(jìn)行過濾操作。
用法：
- pandas.DataFrame.query(self, expr, inplace = False, **kwargs)
參數(shù)作用：
- expr：要評(píng)估的查詢字符串;
- inplace=False：查詢是應(yīng)該修改數(shù)據(jù)還是返回修改后的副本
- kwargs：dict關(guān)鍵字參數(shù)
首先生成一段df：
- values_1 = np.random.randint(10, size=10)
- values_2 = np.random.randint(10, size=10)
- years = np.arange(2010,2020)
- groups = ['A','A','B','A','B','B','C','A','C','C']
- df = pd.DataFrame({'group':groups, 'year':years, 'value_1':values_1, 'value_2':values_2})
- df
過濾查詢用起來比較簡單，比如要查列value_1<value_2的行記錄：
- df.query('value_1 < value_2')
查詢列year>=2016的行記錄：
- df.query('year >= 2016 ')
2. Insert
Insert用于在DataFrame的指定位置中插入新的數(shù)據(jù)列。默認(rèn)情況下新列是添加到末尾的，但可以更改位置參數(shù)，將新列添加到任何位置。
用法：
- Dataframe.insert(loc, column, value, allow_duplicates=False)
參數(shù)作用：
- loc：int型，表示插入位置在第幾列;若在第一列插入數(shù)據(jù)，則 loc=0
- column：給插入的列取名，如 column='新的一列'
- value：新列的值，數(shù)字、array、series等都可以
- allow_duplicates：是否允許列名重復(fù)，選擇Ture表示允許新的列名與已存在的列名重復(fù)
接著用前面的df：
在第三列的位置插入新列：
- #新列的值
- new_col = np.random.randn(10)
- #在第三列位置插入新列，從0開始計(jì)算
- df.insert(2, 'new_col', new_col)
- df
3. Cumsum
Cumsum是pandas的累加函數(shù)，用來求列的累加值。
用法：
- DataFrame.cumsum(axis=None, skipna=True, args, kwargs)
參數(shù)作用：
- axis：index或者軸的名字
- skipna：排除NA/null值
以前面的df為例，group列有A、B、C三組，year列有多個(gè)年份。我們只知道當(dāng)年度的值value_1、value_2，現(xiàn)在求group分組下的累計(jì)值，比如A、2014之前的累計(jì)值，可以用cumsum函數(shù)來實(shí)現(xiàn)。
當(dāng)然僅用cumsum函數(shù)沒辦法對(duì)groups (A, B, C)進(jìn)行區(qū)分，所以需要結(jié)合分組函數(shù)groupby分別對(duì)(A, B, C)進(jìn)行值的累加。
- df['cumsum_2'] = df[['value_2','group']].groupby('group').cumsum()
- df
4. Sample
Sample用于從DataFrame中隨機(jī)選取若干個(gè)行或列。
用法：
- DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
參數(shù)作用：
(1) n：要抽取的行數(shù)
(2) frac：抽取行的比例
- 例如frac=0.8，就是抽取其中80%
(3) replace：是否為有放回抽樣，
- True：有放回抽樣
- False：未放回抽樣
(4) weights：字符索引或概率數(shù)組
(5) random_state ：隨機(jī)數(shù)發(fā)生器種子
(6) axis：選擇抽取數(shù)據(jù)的行還是列
- axis=0：抽取行
- axis=1：抽取列
比如要從df中隨機(jī)抽取5行：
- sample1 = df.sample(n=5)
- sample1
從df隨機(jī)抽取60%的行，并且設(shè)置隨機(jī)數(shù)種子，每次能抽取到一樣的樣本：
- sample2 = df.sample(frac=0.6,random_state=2)
- sample2
5. Where
Where用來根據(jù)條件替換行或列中的值。如果滿足條件，保持原來的值，不滿足條件則替換為其他值。默認(rèn)替換為NaN，也可以指定特殊值。
用法：
- DataFrame.where(cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None)
參數(shù)作用：
- cond：布爾條件，如果 cond 為真，保持原來的值，否則替換為other
- other：替換的特殊值
- inplace：inplace為真則在原數(shù)據(jù)上操作，為False則在原數(shù)據(jù)的copy上操作
- axis：行或列
將df中列value_1里小于5的值替換為0：
- df['value_1'].where(df['value_1'] > 5 , 0)
Where是一種掩碼操作。
掩碼(英語：Mask)在計(jì)算機(jī)學(xué)科及數(shù)字邏輯中指的是一串二進(jìn)制數(shù)字，通過與目標(biāo)數(shù)字的按位操作，達(dá)到屏蔽指定位而實(shí)現(xiàn)需求。
6. Isin
Isin也是一種過濾方法，用于查看某列中是否包含某個(gè)字符串，返回值為布爾Series，來表明每一行的情況。
用法：
- Series.isin(values)
- 或者
- DataFrame.isin(values)
篩選df中year列值在['2010','2014','2017']里的行：
- years = ['2010','2014','2017']
- df[df.year.isin(years)]
7. Loc and iloc
Loc和iloc通常被用來選擇行和列，它們的功能相似，但用法是有區(qū)別的。
用法：
- years = ['2010','2014','2017']
- df[df.year.isin(years)]
- loc：按標(biāo)簽(column和index)選擇行和列
- iloc：按索引位置選擇行和列
選擇df第1~3行、第1~2列的數(shù)據(jù)，使用iloc：
- df.iloc[:3,:2]
使用loc：
- df.loc[:2,['group','year']]1
提示：使用loc時(shí)，索引是指index值，包括上邊界。iloc索引是指行的位置，不包括上邊界。
選擇第1、3、5行，year和value_1列：
- df.loc[[1,3,5],['year','value_1']]
8. Pct_change
Pct_change是一個(gè)統(tǒng)計(jì)函數(shù)，用于表示當(dāng)前元素與前面元素的相差百分比，兩元素的區(qū)間可以調(diào)整。
比如說給定三個(gè)元素[2,3,6]，計(jì)算相差百分比后得到[NaN, 0.5, 1.0]，從第一個(gè)元素到第二個(gè)元素增加50%，從第二個(gè)元素到第三個(gè)元素增加100%。
用法：
- DataFrame.pct_change(periods=1, fill_method=‘pad’, limit=None, freq=None, **kwargs)
參數(shù)作用：
- periods：間隔區(qū)間，即步長
- fill_method：處理空值的方法
對(duì)df的value_1列進(jìn)行增長率的計(jì)算：
- df.value_1.pct_change()
9. Rank
Rank是一個(gè)排名函數(shù)，按照規(guī)則(從大到小，從小到大)給原序列的值進(jìn)行排名，返回的是排名后的名次。
比如有一個(gè)序列[1,7,5,3]，使用rank從小到大排名后，返回[1,4,3,2]，這就是前面那個(gè)序列每個(gè)值的排名位置。
用法：
- rank(axis=0, method: str = 'average', numeric_only: Union[bool, NoneType] = None, na_option: str = 'keep', ascending: bool = True, pct: bool = False)
參數(shù)作用：
(1) axis：行或者列
(2) method：返回名次的方式，可選{‘average’, ‘min’, ‘max’, ‘first’, ‘dense’}
- method=average 默認(rèn)設(shè)置: 相同的值占據(jù)前兩名，分不出誰是1誰是2，那么去中值即1.5，下面一名為第三名
- method=max: 兩人并列第 2 名，下一個(gè)人是第 3 名
- method=min: 兩人并列第 1 名，下一個(gè)人是第 3 名
- method=dense: 兩人并列第1名，下一個(gè)人是第 2 名
- method=first: 相同值會(huì)按照其在序列中的相對(duì)位置定值
(3) ascending：正序和倒序
對(duì)df中列value_1進(jìn)行排名：
- df['rank_1'] = df['value_1'].rank()
- df
10. Melt
Melt用于將寬表變成窄表，是 pivot透視逆轉(zhuǎn)操作函數(shù)，將列名轉(zhuǎn)換為列數(shù)據(jù)(columns name → column values)，重構(gòu)DataFrame。
簡單說就是將指定的列放到鋪開放到行上變成兩列，類別是variable(可指定)列，值是value(可指定)列。
用法：
- pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
參數(shù)作用：
- frame：它是指DataFrame
- id_vars [元組, 列表或ndarray, 可選]：不需要被轉(zhuǎn)換的列名，引用用作標(biāo)識(shí)符變量的列
- value_vars [元組, 列表或ndarray, 可選]：引用要取消透視的列。如果未指定, 請(qǐng)使用未設(shè)置為id_vars的所有列
- var_name [scalar]：指代用于”變量”列的名稱。如果為None, 則使用- - frame.columns.name或’variable’
- value_name [標(biāo)量, 默認(rèn)為’value’]：是指用于” value”列的名稱
- col_level [int或string, 可選]：如果列為MultiIndex, 它將使用此級(jí)別來融化
例如有一串?dāng)?shù)據(jù)，表示不同城市和每天的人口流動(dòng)：
- import pandas as pd
- df1 = pd.DataFrame({'city': {0: 'a', 1: 'b', 2: 'c'},
- 'day1': {0: 1, 1: 3, 2: 5},
- 'day2': {0: 2, 1: 4, 2: 6}})
- df1
現(xiàn)在將day1、day2列變成變量列，再加一個(gè)值列：
- pd.melt(df1, id_vars=['city'])
