不容錯(cuò)過(guò)的Pandas小技巧：萬(wàn)能轉(zhuǎn)格式、輕松合并、壓縮數(shù)據(jù)，讓數(shù)據(jù)分析更高效

來(lái)源：量子位

數(shù)據(jù)分析，如何能錯(cuò)過(guò) Pandas 。

現(xiàn)在，數(shù)據(jù)科學(xué)家 Roman Orac 分享了他在工作中相見恨晚的 Pandas 使用技巧。

了解了這些技巧，能讓你在學(xué)習(xí)、使用 Pandas 的時(shí)候更加高效。

話不多說(shuō)，一起學(xué)習(xí)一下~

Pandas實(shí)用技巧

用 Pandas 做數(shù)據(jù)分析，最大的亮點(diǎn)當(dāng)屬 DataFrame。不過(guò)，在展示成果的時(shí)候，常常需要把 DataFrame 轉(zhuǎn)成另一種格式。

Pandas 在這一點(diǎn)上其實(shí)十分友好，只需添加一行代碼。

DataFrame 轉(zhuǎn) HTML

如果你需要用 HTML 發(fā)送自動(dòng)報(bào)告，那么 to_html 函數(shù)了解一下。

比如，我們先設(shè)定這樣一個(gè) DataFrame：

import numpy as np
import pandas as pd
import random

n = 10
df = pd.DataFrame(
    {
        "col1": np.random.random_sample(n),
        "col2": np.random.random_sample(n),
        "col3": [[random.randint(0, 10) for _ in range(random.randint(3, 5))] for _ in range(n)],
    }
)

用上 to_html，就可以將表格轉(zhuǎn)入 html 文件：

df_html = df.to_html()
with open(‘a(chǎn)nalysis.html’, ‘w’) as f: f.write(df_html)

與之配套的，是 read_html 函數(shù)，可以將 HTML 轉(zhuǎn)回 DataFrame。

DataFrame 轉(zhuǎn) LaTeX

如果你還沒用過(guò) LaTeX 寫論文，強(qiáng)烈建議嘗試一下。

要把 DataFrame 值轉(zhuǎn)成 LaTeX 表格，也是一個(gè)函數(shù)就搞定了：

df.to_latex()

DataFrame 轉(zhuǎn) Markdown

如果你想把代碼放到 GitHub 上，需要寫個(gè) README。

這時(shí)候，你可能需要把 DataFrame 轉(zhuǎn)成 Markdown 格式。

Pandas 同樣為你考慮到了這一點(diǎn)：

print(df.to_markdown())

注：這里還需要 tabulate 庫(kù)

DataFrame 轉(zhuǎn) Excel

說(shuō)到這里，給同學(xué)們提一個(gè)小問(wèn)題：導(dǎo)師/老板/客戶要你提供 Excel 格式的數(shù)據(jù)，你該怎么做？

當(dāng)然是——

df.to_excel(‘a(chǎn)nalysis.xlsx’)

需要注意的是，如果你沒有安裝過(guò) xlwt 和 openpyxl 這兩個(gè)工具包，需要先安裝一下。

另外，跟 HTML 一樣，這里也有一個(gè)配套函數(shù)：read_excel，用來(lái)將excel數(shù)據(jù)導(dǎo)入pandas DataFrame。

DataFrame 轉(zhuǎn)字符串

轉(zhuǎn)成字符串，當(dāng)然也沒問(wèn)題：

df.to_string()

5個(gè)鮮為人知的Pandas技巧

此前，Roman Orac 還曾分享過(guò) 5 個(gè)他覺得十分好用，但大家可能沒有那么熟悉的 Pandas 技巧。

1、data_range

從外部 API 或數(shù)據(jù)庫(kù)獲取數(shù)據(jù)時(shí)，需要多次指定時(shí)間范圍。

Pandas 的 data_range 覆蓋了這一需求。

import pandas as pd
date_from = “2019-01-01”
date_to = “2019-01-12”
date_range = pd.date_range(date_from, date_to, freq=”D”)
print(date_range)

freq = “D”/“M”/“Y”，該函數(shù)就會(huì)分別返回按天、月、年遞增的日期。

2、合并數(shù)據(jù)

當(dāng)你有一個(gè)名為left的DataFrame：

和名為right的DataFrame：

想通過(guò)關(guān)鍵字“key”把它們整合到一起：

實(shí)現(xiàn)的代碼是：

df_merge = left.merge(right, on = ‘key’, how = ‘left’, indicator = True)

3、最近合并（Nearest merge）

在處理股票或者加密貨幣這樣的財(cái)務(wù)數(shù)據(jù)時(shí)，價(jià)格會(huì)隨著實(shí)際交易變化。

針對(duì)這樣的數(shù)據(jù)，Pandas提供了一個(gè)好用的功能，merge_asof。

該功能可以通過(guò)最近的key（比如時(shí)間戳）合并DataFrame。

舉個(gè)例子，你有一個(gè)存儲(chǔ)報(bào)價(jià)信息的DataFrame。

還有一個(gè)存儲(chǔ)交易信息的DataFrame。

現(xiàn)在，你需要把兩個(gè)DataFrame中對(duì)應(yīng)的信息合并起來(lái)。

最新報(bào)價(jià)和交易之間可能有10毫秒的延遲，或者沒有報(bào)價(jià)，在進(jìn)行合并時(shí)，就可以用上 merge_asof。

pd.merge_asof(trades, quotes, on=”timestamp”, by=’ticker’, tolerance=pd.Timedelta(‘10ms’), direction=‘backward’)

4、創(chuàng)建Excel報(bào)告

在Pandas中，可以直接用DataFrame創(chuàng)建Excel報(bào)告。

import numpy as np
import pandas as pd

df = pd.DataFrame(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=["a", "b", "c"])

report_name = 'example_report.xlsx'
sheet_name = 'Sheet1'
writer = pd.ExcelWriter(report_name, engine='xlsxwriter')
df.to_excel(writer, sheet_name=sheet_name, index=False)

不只是數(shù)據(jù)，還可以添加圖表。

# define the workbook
workbook = writer.book
worksheet = writer.sheets[sheet_name]
# create a chart line object
chart = workbook.add_chart({'type': 'line'})
# configure the series of the chart from the spreadsheet
# using a list of values instead of category/value formulas:
#     [sheetname, first_row, first_col, last_row, last_col]
chart.add_series({
    'categories': [sheet_name, 1, 0, 3, 0],
    'values':     [sheet_name, 1, 1, 3, 1],
})
# configure the chart axes
chart.set_x_axis({'name': 'Index', 'position_axis': 'on_tick'})
chart.set_y_axis({'name': 'Value', 'major_gridlines': {'visible': False}})
# place the chart on the worksheet
worksheet.insert_chart('E2', chart)
# output the excel file
writer.save()

注：這里需要 XlsxWriter 庫(kù)

5、節(jié)省磁盤空間

Pandas在保存數(shù)據(jù)集時(shí)，可以對(duì)其進(jìn)行壓縮，其后以壓縮格式進(jìn)行讀取。

先搞一個(gè) 300MB 的 DataFrame，把它存成 csv。

df = pd.DataFrame(pd.np.random.randn(50000,300))
df.to_csv(‘random_data.csv’, index=False)

壓縮一下試試：

df.to_csv(‘random_data.gz’, compression=’gzip’, index=False)

文件就變成了136MB。

gzip壓縮文件可以直接讀取：

df = pd.read_csv(‘random_data.gz’)

這一份Pandas技巧筆記，暫且說(shuō)到這里。

Talk is cheap, show me the code。學(xué)會(huì)了，就用起來(lái)吧

加入知識(shí)星球【我們談?wù)摂?shù)據(jù)科學(xué)】

400+小伙伴一起學(xué)習(xí)！