【Python基础】快速提升效率的6个pandas使用小技巧
文章来源:towardsdatascience
作者:B.Chen
翻译\编辑:Python大数据分析
pandas是python中常用的数据分析库,出现频率非常高,而且pandas功能之多让人咋舌,即使pandas老手也没法保证能高效使用pandas做数据分析。
这篇文章目的梳理几个高效实用的pandas小技巧,供大家参考。
1. 从剪切板中创建DataFrame
pandas中的read_clipboard()
方法非常神奇,可以把剪切板中的数据变成dataframe格式,也就是说直接在excel中复制表格,可以快速转化为dataframe。
以下面这个excel数据表为例,全部选中,按ctrl+c复制:
然后在python中执行pd.read_clipboard()
,就能得到一模一样的dataframe数据表:
pd.read_clipboard()
这功能对经常在excel和python中切换的分析师来说简直是福音,excel中的数据能一键转化为pandas可读格式。
2. 通过数据类型选择columns
数据分析过程可能会需要筛选数据列,比如只需要数值列,以经典的泰坦尼克数据集为例:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.head()
查看该数据集各列的数据类型:
df.dtypes
可以看到各列的数据类型不太一样,有int、object、float、bool
等。
如果说我只要需要数值列,也就是数据类型为int、float
的列,可以通过select_dtypes
方法实现:
df.select_dtypes(include='number').head()
选择除数据类型为int
外其他的列,注意这里的参数是exclude
:
df.select_dtypes(exclude='int').head()
也可以选择多种数据类型:
df.select_dtypes(include=['int', 'datetime', 'object']).head()
3. 将strings改为numbers
在pandas中,有两种方法可以将字符串改为数值:
astype()
方法to_numeric()
方法
先创建一个样本dataframe,看看这两种方法有什么不同。
import pandas as pd
df = pd.DataFrame({ 'product': ['A','B','C','D'], 'price': ['10','20','30','40'],'sales': ['20','-','60','-']})
df
product列是字符串类型,price、sales列虽然内容有数字,但它们的数据类型也是字符串。
值得注意的是,price列都是数字,sales列有数字,但空值用-
代替了。
df.dtypes
下面我们用astype()
方法将price列的数据类型改为int
:
df['price'] = df['price'].astype(int)
# 或者用另一种方式
df = df.astype({'price': 'int'})
但如果你同样用astype()
方法更改sales列的话就会出现报错:
df['sales'] = df['sales'].astype(int)
原因是sales列里面的内容除了数字外还有-
,它是字符串,没办法转化为int
。
而to_numeric()
方法却可以解决这一问题,只需要设置参数errors='coerce'
。
df['sales'] = pd.to_numeric(df['sales'], errors='coerce')df
现在sale列中的-
已经被替换成了NaN
,它的数据类型也变成了float
。
df.dtypes
4. 检测并处理缺失值
有一种比较通用的检测缺失值的方法是info()
,它可以统计每列非缺失值的数量。
还是用泰坦尼克数据集:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.info()
标红色地方是有缺失值的列,并且给出了非缺失值的数量,你可以计算出该列有多少缺失值。
这样看可能不够直观,那可以用df.isnull().sum()
方法很清楚地得到每列有多少缺失值:
df.isnull().sum()
df.isnull().sum().sum()
则能够返回该数据集总共有多少缺失值:
df.isnull().sum().sum()
还可以看缺失值在该列的占比是多少,用df.isna().mean()
方法:
df.isna().mean()
注意:这里isnull()
和isna()
使用效果一样。
那如何处理缺失值呢?
两种方式:删除和替换。
删除包含缺失值的行:
df.dropna(axis = 0)
删除包含缺失值的列:
df.dropna(axis = 1)
如果一列里缺失值超过10%,则删除该列:
df.dropna(thresh=len(df)*0.9, axis=1)
用一个标量替换缺失值:
df.fillna(value=10)
用上一行对应位置的值替换缺失值:
df.fillna(axis=0, method='ffill')
用前一列对应位置的值替换缺失值:
df.fillna(axis=1, method='ffill')
用下一行对应位置的值替换缺失值:
df.fillna(axis=0, method='bfill')
用后一列对应位置的值替换缺失值:
df.fillna(axis=1, method='bfill')
使用某一列的平均值替换缺失值:
df['Age'].fillna(value=df['Age'].mean(), inplace=True)
当然你还可以用最大最小值、分位数值等来替换缺失值。
5. 对连续数据进行离散化处理
在数据准备过程中,常常会组合或者转换现有特征以创建一个新的特征,其中将连续数据离散化是非常重要的特征转化方式,也就是将数值变成类别特征。
同样以泰坦尼克数据集为例,里面有一列是年龄特征age
:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df['age'].head()
年龄是一段连续值,如果我们想对它进行分组变成分类特征,比如(<=12,儿童)、(<=18,青少年)、(<=60,成人)、(>60,老人),可以用cut
方法实现:
import sys
df['ageGroup']=pd.cut(df['age'], bins=[0, 13, 19, 61, sys.maxsize], labels=['儿童', '青少年', '成人', '老人'])df.head()
注意:这里的sys.maxsize是指可以存储的最大值。
可以看到新增了一列ageGroup,用以展示年龄分组:
df['ageGroup'].head()
6. 从多个文件中构建一个DataFrame
有时候数据集可能分布在多个excel或者csv文件中,但需要把它读取到一个DataFrame中,这样的需求该如何实现?
做法是分别读取这些文件,然后将多个dataframe组合到一起,变成一个dataframe。
这里使用内置的glob模块,来获取文件路径,简洁且更有效率。
在上图中,glob()
在指定目录中查找所有以“ data_row_”开头的CSV文件。
glob()
以任意顺序返回文件名,这就是为什么使用sort()
函数对列表进行排序的原因。
「行合并」
假设数据集按行分布在2个文件中,分别是data_row_1.csv和data_row_2.csv
用以下方法可以逐行合并:
files = sorted(glob('data/data_row_*.csv'))
pd.concat((pd.read_csv(file) for file in files), ignore_index=True)
sorted(glob('data/data_row_*.csv'))
返回文件名,然后逐个读取,并且使用concat()
方法进行合并,得到结果:
「列合并」
假设数据集按列分布在2个文件中,分别是data_row_1.csv和data_row_2.csv
用以下方法可以逐列合并:
files = sorted(glob('data/data_col_*.csv'))
pd.concat((pd.read_csv(file) for file in files), axis=1)
sorted(glob('data/data_row_*.csv'))
返回文件名,然后逐个读取,并且使用concat()
方法进行列合并(注意这里axis=1),得到结果:
本文就到这里,pandas还有很多让人惊喜的小技巧,大家有兴趣也可以在评论区说说你的使用心得。
往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券,复制链接直接打开:https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群请扫码进群(如果是博士或者准备读博士请说明):
【Python基础】快速提升效率的6个pandas使用小技巧相关推荐
- pandas fillna_【Python基础】快速提升效率的6个pandas使用小技巧
文章来源:towardsdatascience 作者:B.Chen 翻译\编辑:Python大数据分析 pandas是python中常用的数据分析库,出现频率非常高,而且pandas功能之多让人咋舌, ...
- 操作系统:提升电脑开机速度的15个小技巧
今天小编给大家分享提升电脑开机速度的15个小技巧,希望对大家能有所帮助! 1.禁用闲置的IDE通道 右键点击"我的电脑-属性",然后点击"硬件"接着点击&quo ...
- 提升UI设计界面高级感的小技巧
在UI设计中,界面排版同样很重要,将有效的信息传递给用户这才是用户界面的功能,下面小千就给大家介绍五个能够提升你的设计高级感的小技巧,学到就是赚到! 1.强化层次结构来提升UI的清晰度 将必要的文本内 ...
- win7计算机ftp清理记录,快速清除Win7使用记录的4则小技巧
快速清除Win7使用记录的4则小技巧分享给大家,相信大家对于电脑系统中的使用记录都有一定的芥蒂,特别是在使用别人的电脑时,离开的时候总是想要把自己的浏览痕迹清除干净,以免泄露隐私,网上关于清除痕迹的方 ...
- 分享Figma一些非常快速、省时、省力的功能和小技巧
众所周知,越来越多的大工厂正在使用它figma了,那你的figma它是如何使用的?您是否遇到过一些问题或操作不方便的事情?今天,我想和大家分享Figma一些非常快速.省时.省力的功能和小技巧,因为文章 ...
- Axure RP使用技巧分享 快速提升效率
Axure专为快速原型设计而生的应用,Axure破解版可以辅助产品经理快速设计完整的产品原型,并结合批注,说明以及流程图,框架图等元素.如何使用Axure设计工具提升效率,包括以下几方面 1.通用元件 ...
- 淘宝新品怎么做权重 快速提升淘宝新店单品权重方法技巧
淘宝对新店.新品是有流量扶持,但是权重并不会有优势,需要自己去提升!下面分享一些技巧! 淘宝下架时间权重已经重新成为"全部宝贝"动态排名的权重之王.接近下架的品种得到临时加权,越接 ...
- 快速提升UI设计感的7个版式小妙招
看了很多关于UI设计版式技巧仍排不好版?懂得很多套路仍做不好UI设计?其实也正常,因为大部分技巧都比较笼统,每个人用起来也会有不同的效果,所以合肥学码思小编特地总结了7个比较具体的小技巧,算是属于一学 ...
- python类型转换astype时间_Pandas数据类型转换的几个小技巧
利用Pandas进行数据分析时,确保使用正确的数据类型是非常重要的,否则可能会导致一些不可预知的错误发生.笔者使用Pandas已经有一段时间了,但是还是会在一些小问题上犯错误,追根溯源发现在对数据进行 ...
最新文章
- springboot2自定义HttpTraceRepository
- linux系统主机信任,Linux信任主机(SSH)
- php jquery实现弹窗,jquery 弹出层实现代码_jquery
- CG CTF WEB 密码重置2
- comparator 多个条件控制_JUnit5学习之四:按条件执行
- ORA-01089 数据库无法正常关闭
- [转载] R语言read.table函数
- 2022年,消费品牌如何把握新的商业脉络?
- win7 IE11浏览器怎么改成中文
- window双开微信
- echarts scatter3D 图标陷进地图
- 范莎学院计算机专业,范莎学院会不会不容易毕业?
- 神州优车联合体斥资近40亿控股宝沃 建立联合营销工作小组
- 树(前序,中序,后序)
- sparksql语法,读json
- 自己计算机的网络密码,怎么知道自己宽带上网的用户名密码,我打开电脑就能直接上网。...
- Linux 基本使用和 web 程序部署
- 阴阳师服务器维护3月14,阴阳师手游抢先体验服3月14日维护更新公告
- 基于jsp+mysql+ssm知了堂财务报账管理系统-计算机毕业设计
- 慕课软件质量保证与测试(第五章.课后作业)