pandas的使用技巧

小編給大家分享一下pandas的使用技巧，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

pandas有一種功能非常強大的方法，它就是accessor，可以將它理解為一種屬性接口，通過它可以獲得額外的方法。其實這樣說還是很籠統，下面我們通過代碼和實例來理解一下。

>>> pd.Series._accessors
{'cat', 'str', 'dt'}復制代碼

對于Series數據結構使用_accessors方法，我們得到了3個對象：cat，str，dt。

• .cat：用于分類數據（Categorical data）
• .str：用于字符數據（String Object data）
• .dt：用于時間數據（datetime-like data）

下面我們依次看一下這三個對象是如何使用的。

str對象的使用

Series數據類型：str字符串

# 定義一個Series序列
>>> addr = pd.Series([
...     'Washington, D.C. 20003',
...     'Brooklyn, NY 11211-1755',
...     'Omaha, NE 68154',
...     'Pittsburgh, PA 15211'
... ]) 

>>> addr.str.upper()
0     WASHINGTON, D.C. 20003
1    BROOKLYN, NY 11211-1755
2            OMAHA, NE 68154
3       PITTSBURGH, PA 15211
dtype: object

>>> addr.str.count(r'\d') 
0    5
1    9
2    5
3    5
dtype: int64復制代碼

關于以上str對象的2個方法說明：

• Series.str.upper：將Series中所有字符串變為大寫；
• Series.str.count：對Series中所有字符串的個數進行計數；

其實不難發現，該用法的使用與Python中字符串的操作很相似。沒錯，在pandas中你一樣可以這樣簡單的操作，而不同的是你操作的是一整列的字符串數據。仍然基于以上數據集，再看它的另一個操作：

>>> regex = (r'(?P<city>[A-Za-z ]+), '      # 一個或更多字母
...          r'(?P<state>[A-Z]{2}) '        # 兩個大寫字母
...          r'(?P<zip>\d{5}(?:-\d{4})?)')  # 可選的4個延伸數字
...
>>> addr.str.replace('.', '').str.extract(regex)
         city state         zip
0  Washington    DC       20003
1    Brooklyn    NY  11211-1755
2       Omaha    NE       68154
3  Pittsburgh    PA       15211復制代碼

關于以上str對象的2個方法說明：

• Series.str.replace：將Series中指定字符串替換；
• Series.str.extract：通過正則表達式提取字符串中的數據信息；

這個用法就有點復雜了，因為很明顯看到，這是一個鏈式的用法。通過replace將 " . " 替換為""，即為空，緊接著又使用了3個正則表達式（分別對應city，state，zip）通過extract對數據進行了提取，并由原來的Series數據結構變為了DataFrame數據結構。

當然，除了以上用法外，常用的屬性和方法還有.rstrip，.contains，split等，我們通過下面代碼查看一下str屬性的完整列表：

>>> [i for i in dir(pd.Series.str) if not i.startswith('_')]
['capitalize',
 'cat',
 'center',
 'contains',
 'count',
 'decode',
 'encode',
 'endswith',
 'extract',
 'extractall',
 'find',
 'findall',
 'get',
 'get_dummies',
 'index',
 'isalnum',
 'isalpha',
 'isdecimal',
 'isdigit',
 'islower',
 'isnumeric',
 'isspace',
 'istitle',
 'isupper',
 'join',
 'len',
 'ljust',
 'lower',
 'lstrip',
 'match',
 'normalize',
 'pad',
 'partition',
 'repeat',
 'replace',
 'rfind',
 'rindex',
 'rjust',
 'rpartition',
 'rsplit',
 'rstrip',
 'slice',
 'slice_replace',
 'split',
 'startswith',
 'strip',
 'swapcase',
 'title',
 'translate',
 'upper',
 'wrap',
 'zfill']復制代碼

屬性有很多，對于具體的用法，如果感興趣可以自己進行摸索練習。

dt對象的使用

Series數據類型：datetime

因為數據需要datetime類型，所以下面使用pandas的date_range()生成了一組日期datetime演示如何進行dt對象操作。

>>> daterng = pd.Series(pd.date_range('2017', periods=9, freq='Q'))
>>> daterng
0   2017-03-31
1   2017-06-30
2   2017-09-30
3   2017-12-31
4   2018-03-31
5   2018-06-30
6   2018-09-30
7   2018-12-31
8   2019-03-31
dtype: datetime64[ns]

>>>  daterng.dt.day_name()
0      Friday
1      Friday
2    Saturday
3      Sunday
4    Saturday
5    Saturday
6      Sunday
7      Monday
8      Sunday
dtype: object

>>> # 查看下半年
>>> daterng[daterng.dt.quarter > 2]
2   2017-09-30
3   2017-12-31
6   2018-09-30
7   2018-12-31
dtype: datetime64[ns]

>>> daterng[daterng.dt.is_year_end]
3   2017-12-31
7   2018-12-31
dtype: datetime64[ns]復制代碼

以上關于dt的3種方法說明：

• Series.dt.day_name()：從日期判斷出所處星期數；
• Series.dt.quarter：從日期判斷所處季節；
• Series.dt.is_year_end：從日期判斷是否處在年底；

其它方法也都是基于datetime的一些變換，并通過變換來查看具體微觀或者宏觀日期。

cat對象的使用

Series數據類型：Category

在說cat對象的使用前，先說一下Category這個數據類型，它的作用很強大。雖然我們沒有經常性的在內存中運行上g的數據，但是我們也總會遇到執行幾行代碼會等待很久的情況。使用Category數據的一個好處就是：可以很好的節省在時間和空間的消耗。下面我們通過幾個實例來學習一下。

>>> colors = pd.Series([
...     'periwinkle',
...     'mint green',
...     'burnt orange',
...     'periwinkle',
...     'burnt orange',
...     'rose',
...     'rose',
...     'mint green',
...     'rose',
...     'navy'
... ])
...
>>> import sys
>>> colors.apply(sys.getsizeof)
0    59
1    59
2    61
3    59
4    61
5    53
6    53
7    59
8    53
9    53
dtype: int64復制代碼

上面我們通過使用sys.getsizeof來顯示內存占用的情況，數字代表字節數。
還有另一種計算內容占用的方法：memory_usage()，后面會使用。

現在我們將上面colors的不重復值映射為一組整數，然后再看一下占用的內存。

>>> mapper = {v: k for k, v in enumerate(colors.unique())}
>>> mapper
{'periwinkle': 0, 'mint green': 1, 'burnt orange': 2, 'rose': 3, 'navy': 4}

>>> as_int = colors.map(mapper)
>>> as_int
0    0
1    1
2    2
3    0
4    2
5    3
6    3
7    1
8    3
9    4
dtype: int64

>>> as_int.apply(sys.getsizeof)
0    24
1    28
2    28
3    24
4    28
5    28
6    28
7    28
8    28
9    28
dtype: int64復制代碼

注：對于以上的整數值映射也可以使用更簡單的pd.factorize()方法代替。

我們發現上面所占用的內存是使用object類型時的一半。其實，這種情況就類似于Category data類型內部的原理。

內存占用區別：Categorical所占用的內存與Categorical分類的數量和數據的長度成正比，相反，object所占用的內存則是一個常數乘以數據的長度。

下面是object內存使用和category內存使用的情況對比。

>>> colors.memory_usage(index=False, deep=True)
650
>>> colors.astype('category').memory_usage(index=False, deep=True)
495復制代碼

上面結果是使用object和Category兩種情況下內存的占用情況。我們發現效果并沒有我們想象中的那么好。但是注意Category內存是成比例的，如果數據集的數據量很大，但不重復分類（unique）值很少的情況下，那么Category的內存占用可以節省達到10倍以上，比如下面數據量增大的情況：

>>> manycolors = colors.repeat(10)
>>> len(manycolors) / manycolors.nunique() 
20.0

>>> manycolors.memory_usage(index=False, deep=True)
6500
>>> manycolors.astype('category').memory_usage(index=False, deep=True)
585復制代碼

可以看到，在數據量增加10倍以后，使用Category所占內容節省了10倍以上。

除了占用內存節省外，另一個額外的好處是計算效率有了很大的提升。因為對于Category類型的Series，str字符的操作發生在.cat.categories的非重復值上，而并非原Series上的所有元素上。也就是說對于每個非重復值都只做一次操作，然后再向與非重復值同類的值映射過去。

對于Category的數據類型，可以使用accessor的cat對象，以及相應的屬性和方法來操作Category數據。

>>> ccolors = colors.astype('category')
>>> ccolors.cat.categories
Index(['burnt orange', 'mint green', 'navy', 'periwinkle', 'rose'], dtype='object')復制代碼

實際上，對于開始的整數類型映射，我們可以先通過reorder_categories進行重新排序，然后再使用cat.codes來實現對整數的映射，來達到同樣的效果。

>>> ccolors.cat.reorder_categories(mapper).cat.codes
0    0
1    1
2    2
3    0
4    2
5    3
6    3
7    1
8    3
9    4
dtype: int8復制代碼

dtype類型是Numpy的int8（-127~128）。可以看出以上只需要一個單字節就可以在內存中包含所有的值。我們開始的做法默認使用了int64類型，然而通過pandas的使用可以很智能的將Category數據類型變為最小的類型。

讓我們來看一下cat還有什么其它的屬性和方法可以使用。下面cat的這些屬性基本都是關于查看和操作Category數據類型的。

>>> [i for i in dir(ccolors.cat) if not i.startswith('_')]
['add_categories',
 'as_ordered',
 'as_unordered',
 'categories',
 'codes',
 'ordered',
 'remove_categories',
 'remove_unused_categories',
 'rename_categories',
 'reorder_categories',
 'set_categories']復制代碼

但是Category數據的使用不是很靈活。例如，插入一個之前沒有的值，首先需要將這個值添加到.categories的容器中，然后再添加值。

>>> ccolors.iloc[5] = 'a new color'
# ...
ValueError: Cannot setitem on a Categorical with a new category,
set the categories first

>>> ccolors = ccolors.cat.add_categories(['a new color'])
>>> ccolors.iloc[5] = 'a new color'  
復制代碼

如果你想設置值或重塑數據，而非進行新的運算操作，那么Category類型不是那么有用。

以上是pandas的使用技巧的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！