30 個函數(shù)，加速你的數(shù)據(jù)分析處理速度！

大家好，歡迎來到 Crossin的編程教室 ！

Pandas 是 Python 中最廣泛使用的數(shù)據(jù)分析和操作庫。它提供了許多功能和方法，可以加快數(shù)據(jù)分析和預(yù)處理步驟。

為了更好的學(xué)習(xí) Python，我將以客戶流失數(shù)據(jù)集為例，分享 30?個在數(shù)據(jù)分析過程中最常使用的函數(shù)和方法。（文中示例代碼所用 CSV 數(shù)據(jù)下載見文末）

數(shù)據(jù)如下所示：

import?numpy?as?np
import?pandas?as?pd
df?=?pd.read_csv("Churn_Modelling.csv")
print(df.shape)
df.columns

結(jié)果輸出

(10000,?14)
Index(['RowNumber',?'CustomerId',?'Surname',?'CreditScore',?'Geography','Gender',?'Age',?'Tenure',?'Balance',?'NumOfProducts',?'HasCrCard','IsActiveMember',?'EstimatedSalary',?'Exited'],dtype='object')

1.刪除列

df.drop(['RowNumber',?'CustomerId',?'Surname',?'CreditScore'],?axis=1,?inplace=True)
print(df[:2])
print(df.shape)

結(jié)果輸出

??Geography??Gender??Age??Tenure??Balance??NumOfProducts??HasCrCard??\
0????France??Female???42???????2??????0.0??????????????1??????????1???

???IsActiveMember??EstimatedSalary??Exited??
0???????????????1????????101348.88???????1??
(10000,?10)

說明：axis?參數(shù)設(shè)置為 1 以放置列，0 設(shè)置為行。inplace=True?參數(shù)設(shè)置為 True 以保存更改。我們減了 4 列，因此列數(shù)從 14 個減少到 10 列。

2.選擇特定列

我們從 csv 文件中讀取部分列數(shù)據(jù)?？梢允褂?usecols 參數(shù)。

df_spec?=?pd.read_csv("Churn_Modelling.csv",?usecols=['Gender',?'Age',?'Tenure',?'Balance'])
df_spec.head()

3.nrows

可以使用 nrows 參數(shù)，創(chuàng)建了一個包含 csv 文件前 5000 行的數(shù)據(jù)幀。還可以使用 skiprows 參數(shù)從文件末尾選擇行。Skiprows=5000 表示我們將在讀取 csv 文件時跳過前 5000 行。

df_partial?=?pd.read_csv("Churn_Modelling.csv",?nrows=5000)
print(df_partial.shape)

4.取樣

創(chuàng)建數(shù)據(jù)框后，我們可能需要一個小樣本來測試數(shù)據(jù)。我們可以使用 n 或 frac 參數(shù)來確定樣本大小。

df=?pd.read_csv("Churn_Modelling.csv",?usecols=['Gender',?'Age',?'Tenure',?'Balance'])
df_sample?=?df.sample(n=1000)
df_sample2?=?df.sample(frac=0.1)

5.檢查缺失值

isna 函數(shù)確定數(shù)據(jù)幀中缺失的值。通過將 isna 與 sum 函數(shù)一起使用，我們可以看到每列中缺失值的數(shù)量。

df.isna().sum()

6.使用 loc 和 iloc 添加缺失值

使用 loc 和 iloc 添加缺失值，兩者區(qū)別如下：

• loc：選擇帶標(biāo)簽
• iloc：選擇索引

我們首先創(chuàng)建 20 個隨機(jī)索引進(jìn)行選擇

missing_index?=?np.random.randint(10000,?size=20)

我們將使用 loc 將某些值更改為 np.nan（缺失值）。

df.loc[missing_index,?['Balance','Geography']]?=?np.nan

"Balance"和"Geography"列中缺少 20 個值。讓我們用 iloc 做另一個示例。

df.iloc[missing_index,?-1]?=?np.nan

7.填充缺失值

fillna 函數(shù)用于填充缺失的值。它提供了許多選項(xiàng)。我們可以使用特定值、聚合函數(shù)（例如均值）或上一個或下一個值。

avg?=?df['Balance'].mean()
df['Balance'].fillna(value=avg,?inplace=True)

fillna 函數(shù)的方法參數(shù)可用于根據(jù)列中的上一個或下一個值（例如方法="ffill"）填充缺失值。它可以對順序數(shù)據(jù)（例如時間序列）非常有用。

8.刪除缺失值

處理缺失值的另一個方法是刪除它們。以下代碼將刪除具有任何缺失值的行。

df.dropna(axis=0,?how='any',?inplace=True)

9.根據(jù)條件選擇行

在某些情況下，我們需要適合某些條件的觀測值（即行）

france_churn?=?df[(df.Geography?==?'France')?&?(df.Exited?==?1)]
france_churn.Geography.value_counts()

10.用查詢描述條件

查詢函數(shù)提供了一種更靈活的傳遞條件的方法。我們可以用字符串來描述它們。

df2?=?df.query('80000?)
#?讓我們通過繪制平衡列的直方圖來確認(rèn)結(jié)果。
df2['Balance'].plot(kind='hist',?figsize=(8,5))

11.用 isin 描述條件

條件可能有多個值。在這種情況下，最好使用 isin 方法，而不是單獨(dú)編寫值。

df[df['Tenure'].isin([4,6,9,10])][:3]

12.Groupby 函數(shù)

Pandas Groupby 函數(shù)是一個多功能且易于使用的功能，可幫助獲取數(shù)據(jù)概述。它使瀏覽數(shù)據(jù)集和揭示變量之間的基本關(guān)系更加容易。

我們將做幾個組比函數(shù)的示例。讓我們從簡單的開始。以下代碼將基于 Geography、Gender 組合對行進(jìn)行分組，然后給出每個組的平均流失率。

df[['Geography','Gender','Exited']].groupby(['Geography','Gender']).mean()

13.Groupby與聚合函數(shù)結(jié)合

agg 函數(shù)允許在組上應(yīng)用多個聚合函數(shù)，函數(shù)的列表作為參數(shù)傳遞。

df[['Geography','Gender','Exited']].groupby(['Geography','Gender']).agg(['mean','count'])

14.對不同的群體應(yīng)用不同的聚合函數(shù)

df_summary?=?df[['Geography','Exited','Balance']].groupby('Geography').agg({'Exited':'sum',?'Balance':'mean'})
df_summary.rename(columns={'Exited':'#?of?churned?customers',?'Balance':'Average?Balance?of?Customers'},inplace=True)

此外，NamedAgg 函數(shù)允許重命名聚合中的列

import?pandas?as?pd
df_summary?=?df[['Geography','Exited','Balance']].groupby('Geography').agg(Number_of_churned_customers?=?pd.NamedAgg('Exited',?'sum'),Average_balance_of_customers?=?pd.NamedAgg('Balance',?'mean'))
print(df_summary)

15.重置索引

您是否已經(jīng)注意到上圖的數(shù)據(jù)格式了。我們可以通過重置索引來更改它。

print(df_summary.reset_index())

16.重置并刪除原索引

在某些情況下，我們需要重置索引并同時刪除原始索引。

df[['Geography','Exited','Balance']].sample(n=6).reset_index(drop=True)

17.將特定列設(shè)置為索引

我們可以將數(shù)據(jù)幀中的任何列設(shè)置為索引。

df_new.set_index('Geography')

18.插入新列

group?=?np.random.randint(10,?size=6)
df_new['Group']?=?group

19.where 函數(shù)

它用于根據(jù)條件替換行或列中的值。默認(rèn)替換值為 NaN，但我們也可以指定要作為替換值。

df_new['Balance']?=?df_new['Balance'].where(df_new['Group']?>=?6,?0)

20.等級函數(shù)

等級函數(shù)為值分配一個排名。讓我們創(chuàng)建一個列，根據(jù)客戶的余額對客戶進(jìn)行排名。

df_new['rank']?=?df_new['Balance'].rank(method='first',?ascending=False).astype('int')

21.列中的唯一值數(shù)

它使用分類變量時派上用場。我們可能需要檢查唯一類別的數(shù)量。我們可以檢查值計數(shù)函數(shù)返回的序列的大小或使用 nunique 函數(shù)。

df.Geography.nunique

22.內(nèi)存使用情況

使用函數(shù) memory_usage,這些值顯示以字節(jié)為單位的內(nèi)存.

df.memory_usage()

23.數(shù)據(jù)類型轉(zhuǎn)換

默認(rèn)情況下，分類數(shù)據(jù)與對象數(shù)據(jù)類型一起存儲。但是，它可能會導(dǎo)致不必要的內(nèi)存使用，尤其是當(dāng)分類變量具有較低的基數(shù)。

低基數(shù)意味著列與行數(shù)相比幾乎沒有唯一值。例如，地理列具有 3 個唯一值和 10000 行。

我們可以通過將其數(shù)據(jù)類型更改為"類別"來節(jié)省內(nèi)存。

df['Geography']?=?df['Geography'].astype('category')

24.替換值

替換函數(shù)可用于替換數(shù)據(jù)幀中的值。

df['Geography'].replace({0:'B1',1:'B2'})

25.繪制直方圖

pandas 不是一個數(shù)據(jù)可視化庫，但它使得創(chuàng)建基本繪圖變得非常簡單。

我發(fā)現(xiàn)使用 Pandas 創(chuàng)建基本繪圖更容易，而不是使用其他數(shù)據(jù)可視化庫。

讓我們創(chuàng)建平衡列的直方圖。

26.減少浮點(diǎn)數(shù)小數(shù)點(diǎn)

pandas 可能會為浮點(diǎn)數(shù)顯示過多的小數(shù)點(diǎn)。我們可以輕松地調(diào)整它。

df['Balance'].plot(kind='hist',?figsize=(10,6),?
title='Customer?Balance')

27.更改顯示選項(xiàng)

我們可以更改各種參數(shù)的默認(rèn)顯示選項(xiàng)，而不是每次手動調(diào)整顯示選項(xiàng)。

• get_option：返回當(dāng)前選項(xiàng)
• set_option：更改選項(xiàng) 讓我們將小數(shù)點(diǎn)的顯示選項(xiàng)更改為 2。

pd.set_option("display.precision",?2)

可能要更改的一些其他選項(xiàng)包括：

• max_colwidth：列中顯示的最大字符數(shù)
• max_columns：要顯示的最大列數(shù)
• max_rows：要顯示的最大行數(shù)

28.通過列計算百分比變化

pct_change用于計算序列中值的變化百分比。在計算時間序列或元素順序數(shù)組中更改的百分比時，它很有用。

ser=?pd.Series([2,4,5,6,72,4,6,72])
ser.pct_change()

29.基于字符串的篩選

我們可能需要根據(jù)文本數(shù)據(jù)（如客戶名稱）篩選觀測值（行）。我已經(jīng)在數(shù)據(jù)幀中添加了df_new名稱。

df_new[df_new.Names.str.startswith('Mi')]

30.設(shè)置數(shù)據(jù)幀樣式

我們可以通過使用返回 Style 對象的 Style 屬性來實(shí)現(xiàn)此目的，它提供了許多用于格式化和顯示數(shù)據(jù)框的選項(xiàng)。例如，我們可以突出顯示最小值或最大值。

它還允許應(yīng)用自定義樣式函數(shù)。

df_new.style.highlight_max(axis=0,?color='darkgreen')