pandas教程菜鸟教程(你不知道的pandas的5个基本技巧)
pandas教程菜鸟教程(你不知道的pandas的5个基本技巧)df[df.price.between(2 4)]使用betweendf = pd.DataFrame({'price': [1.99 3 5 0.5 3.5 5.5 3.9]})使用between功能,您可以减少此过滤器:df[(df.price >= 2) & (df.price <= 4)]
如何用pandas处理大数据学习"between"、"reindex"等功能。
这5个pandas的功能是非常有用的,但有时候却被人忽略
between 函数多年来我一直在SQL中使用"between"函数,但直到最近才在pandas中发现它。
假设我们有一个带有价格的DataFrame,我们想要过滤2到4之间的价格。
df = pd.DataFrame({'price': [1.99 3 5 0.5 3.5 5.5 3.9]})
使用between功能,您可以减少此过滤器:
df[(df.price >= 2) & (df.price <= 4)]
使用between
df[df.price.between(2 4)]
它看起来可能不多,但是当编写许多过滤器时,这些括号很烦人。带有between函数的过滤器也更具可读性。
函数集合都是有等号的:左<=series<=右
用reindex函数修正行顺序重索引函数为一个序列或一个数据文件生成一个新索引。在生成具有预定义顺序的列的报告时,我使用reindex函数。
让我们把t恤的尺寸添加到我们的数据库里。分析的目的是计算每种尺寸的平均价格:
df = pd.DataFrame({'price': [1.99 3 5] 'size': ['medium' 'large' 'small']})df_avg = df.groupby('size').price.mean() df_avg
在上表中,大小的顺序是随机的。应该订小杯、中杯、大杯。由于大小是字符串,我们不能使用sort_values函数。这里有一个重新索引函数:
df_avg.reindex(['small' 'medium' 'large'])
通过在reindex函数中指定大小的顺序,使得结果更容易解释。
Describe函数描述函数是进行探索性数据分析时必不可少的工具。它显示了DataFrame中所有列的基本汇总统计信息。
df.price.describe()
如果我们想计算10个分位数而不是3个呢?
df.price.describe(percentiles=np.arange(0 1 0.1))
描述函数接受百分比参数。我们可以使用NumPy的arange函数指定百分比数,以避免手工输入每个百分比。
当与group by功能结合时,这个功能变得非常有用:
df.groupby('size').describe(percentiles=np.arange(0 1 0.1))
使用正则表达式进行文本搜索我们的t恤数据集有3种尺寸。假设我们想要过滤小的和中号的。一种繁琐的过滤方式是:
df[(df['size'] == 'small') | (df['size'] == 'medium')]
这很糟糕,因为我们通常将其与其他过滤器结合在一起,这使得表达式不可读。有更好的方法吗?
pandas字符串列有一个"str"访问器,它实现了许多简化字符串操作的函数。其中之一是"contains"函数,它支持使用正则表达式进行搜索。
df[df['size'].str.contains('small|medium')]
带有"contains"函数的过滤器可读性更强,更容易扩展和与其他过滤器组合。
大内存数据集pandas甚至不能读取比主内存数据集更大的数据。它抛出MemoryError或内核崩溃。但是要处理一个大数据集,你不需要Dask或Vaex这样的包,只需要一些小技巧。
iter_csv = pd.read_csv('dataset.csv' iterator=True chunksize=1000) df = pd.concat([chunk[chunk['field'] > constant] for chunk in iter_csv])
分块读取数据集比一次全部读取要慢。我建议只在大于内存数据集的情况下使用这种方法。
在这种情况下,你不需要所有的列,你可以指定需要的列"usecols"参数时,读取数据集:
df = pd.read_csv('file.csv' usecols=['col1' 'col2'])
这两种方法的好处是可以将它们组合在一起。
作者:Roman Orac
deephub翻译组