【Python基礎(chǔ)】高效的10個(gè)Pandas函數(shù)，你都用過(guò)嗎？

文章來(lái)源：towardsdatascience
作者：Soner Y?ld?r?m
翻譯\編輯：Python大數(shù)據(jù)分析

?

Pandas是python中最主要的數(shù)據(jù)分析庫(kù)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(jiǎn)潔、靈活、功能強(qiáng)大的語(yǔ)法。

這篇文章將會(huì)配合實(shí)例，講解10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(guò)。還有一些函數(shù)出現(xiàn)的頻率沒(méi)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(guò)濾查詢函數(shù)，使用布爾表達(dá)式來(lái)查詢DataFrame的列，就是說(shuō)按照列的規(guī)則進(jìn)行過(guò)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(guò)濾查詢用起來(lái)比較簡(jiǎn)單，比如要查列value_1<value_2的行記錄：

df.query('value_1?)

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(lái)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(lái)實(shí)現(xiàn)。

當(dāng)然僅用cumsum函數(shù)沒(méi)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：

• n：要抽取的行數(shù)
• frac：抽取行的比例 例如frac=0.8，就是抽取其中80%
• replace：是否為有放回抽樣， True:有放回抽樣 False:未放回抽樣
• weights：字符索引或概率數(shù)組
• random_state ：隨機(jī)數(shù)發(fā)生器種子
• 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(lái)根據(jù)條件替換行或列中的值。如果滿足條件，保持原來(lái)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(lái)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(yǔ)：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(guò)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(guò)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(lái)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(lái)選擇行和列，它們的功能相似，但用法是有區(qū)別的。

用法：

DataFrame.loc[]
或者
DataFrame.iloc[]

• 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(shuō)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(zhǎng)
• fill_method：處理空值的方法

對(duì)df的value_1列進(jìn)行增長(zhǎng)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：

• axis：行或者列
• method：返回名次的方式，可選{‘a(chǎn)verage’, ‘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(shuí)是1誰(shuí)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
• 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(jiǎn)單說(shuō)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(lái)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'])