高手系列！数据科学家私藏pandas高阶用法大全 ⛵

ShowMeAI 2023-03-28 原文

? 作者：韩信子@ShowMeAI
? 数据分析实战系列：https://www.showmeai.tech/tutorials/40
? 本文地址：https://www.showmeai.tech/article-detail/394
? 声明：版权所有，转载请联系平台与作者并注明出处
? 收藏ShowMeAI查看更多精彩内容

如果你是数据科学家、数据分析师、机器学习工程师，或者任何 python 数据从业者，你一定会高频使用 pandas 这个工具库——它操作简单功能强大，可以很方便完成数据处理、数据分析、数据变换等过程，优雅且便捷。

? Python数据分析实战教程

在本文中，ShowMeAI给大家汇总介绍 21 个 Pandas 的提示和技巧，熟练掌握它们，可以让我们的代码保持整洁高效。

? 1：DataFrame.copy()

如果我们希望对DataFrame操作，但是不希望改变原始DataFrame，我们可以使用df.copy()制作副本，如下例所示：

import pandas as pd

df = pd.DataFrame({"col1": [1, 2, 3],
                   "col2": [4, 5, 6]})

df2 = df # Make a copy using =
df2["col1"] = [7, 8, 9]
df # df also changes

# Recrate df
df = pd.DataFrame({"col1": [1, 2, 3],
                   "col2": [4, 5, 6]})

df3 = df.copy() # Create a copy of df
df3["col1"] = [7, 8, 9]
df # df doesn't change

? 2：Groupby().count 与 Groupby().size

如果你想获得 Pandas 的一列的计数统计，可以使用groupby和count组合，如果要获取2列或更多列组成的分组的计数，可以使用groupby和size组合。如下所示：

import pandas as pd

df = pd.DataFrame(
    {
        "col1": ["a", "b", "b", "c", "c", "d"],
        "col2": ["S", "S", "M", "L", "L", "L"]
    }
)

# get the count of elements in one column
df.groupby(["col1"]).count()

# Get the size of groups of 2+ columns
df.groupby(["col1", "col2"]).size()

? 3：归一化值计数

大家都知道，我们可以使用value_counts获取列里的取值计数，但是，如果要获取列中某个值的百分比，我们可以添加normalize=True至value_counts参数设置来完成：

import pandas as pd

size = pd.Series(["S", "S", "M", "L", "S", "XL", "S", "M",])

# Get count of each value
size.value_counts()

# Get percentage of each value
size.value_counts(normalize=True)

? 4：值计数（包含缺失值）

我们知道可以通过value_counts很方便进行字段取值计数，但是pandas.value_counts()自动忽略缺失值，如果要对缺失值进行计数，要设置参数dropna=False。

import pandas as pd

size = pd.Series(["S", "S", None, "M", "L", "S", None, "XL", "S", "M",])

# Get count of each value, it does not count missing values
size.value_counts()

# pass dropna=False to get missing value count
size.value_counts(dropna=False)

? 5：df.transform() 与 df.count()

如下例所示，如果我们要对列的取值统计并进行计数过滤，使用count会报错，使用transform是恰当的方法，如下例所示：

import pandas as pd

df = pd.DataFrame({
    "type": ["A", "A", "O", "B", "O", "A"],
    "value": [5, 3, 2, 1, 7, 3]
})

# Using count will throw an error because the
# Series returned is shorter than the original
# DataFrame

# df.loc[df.groupby("type")["type"].count() > 1]
df.loc[df.groupby("type")["type"].transform("size") > 1]

? 6：打印Markdown表格

Markdown 是一种轻量级标记语言，用于使用纯文本编辑器创建格式化文本。我们有时候会想在 markdown 格式中打印一个DataFrame，这时可以使用to_markdown()功能：

import pandas as pd

df = pd.DataFrame({'a': [1, 2, 3, 4],
                   'b': [5, 6, 7, 8]})

# You can control the printing of the index column
# by using the flag index.
print(df.to_markdown(index=True))

# Ouput markdown with a tabulate option
print(df.to_markdown(tablefmt="grid", index=True))

# To create a markdown file from the dataframe, pass
# the file name as paramters
df.to_markdown("README.md", tablefmt="grid", index=True)

? 7：将分组后字段聚合为列表

我们经常会使用groupby对数据进行分组并统计每组的聚合统计信息，例如计数、平均值、中位数等。如果您想将分组后的数据字段整合成列表，可以使用lambda x:list(x)，如下示例：

import pandas as pd

df = pd.DataFrame(
    {
        "col1": [1, 2, 3, 4, 3],
        "col2": ["a", "a", "b", "b", "c"],
        "col3": ["d", "e", "f", "g", "h"],
    }
)

# Group by col2
df.groupby(["col2"]).agg(
    {
        "col1": "mean",           # get mean
        "col3": lambda x: list(x) # get list
    }
)

? 8：DataFrame.explode()

类似于上例，如果你想把一个DataFrame中某个字符串字段(列)展开为一个列表，然后将列表中的元素拆分成多行，可以使用str.split()和explode()组合，如下例：

import pandas as pd


df = pd.DataFrame({"a": ["1,2", "4,5"],
                   "b": [11, 13]})


# Turn strings into lists
df.a = df.a.str.split(",")
df

print(df.explode("a", ignore_index=False))

? 9：数据相关性

如果要计算两个 DataFrame 的行或列之间的相关性，可以使用.corrwith()：

import pandas as pd

df1 = pd.DataFrame({
    "a": [1, 2, 3, 4],
    "b": [2, 3, 4, 6]
})

df2 = pd.DataFrame({
    "a": [1, 2, 3, 3],
    "b": [2, 2, 5, 4]
})

df1.corrwith(df2)

? 10：交叉制表

交叉制表支持我们分析多个变量之间的关系，可以使用pandas.crosstab()功能：

import pandas as pd

network = [
    ("Ben", "Smith"),
    ("Ben", "Patrick"),
    ("Warren", "Jone"),
    ("Warren", "Smith"),
    ("Smith", "Patrick"),
]

# Create a dataframe of the network
friends1 = pd.DataFrame(
    network, columns=["person1", "person2"]
)

# Create the order of the columns
friends2 = pd.DataFrame(
    network, columns=["person2", "person1"]
)

# Create a symmetric dataframe
friends = pd.concat([friends1, friends2])

# Create a cross tabulation
pd.crosstab(friends.person1, friends.person2)

? 11：DataFrame.query()

我们可以使用df.query()功能进行数据过滤，它支持以简洁的方式叠加很多个条件。

import pandas as pd

df = pd.DataFrame({
    "fruit": ["apple", "orange", "grape", "grape"],
    "price": [4, 5, 6, 7]
})

# Filter using brackets
df[(df.price > 4) & (df.fruit == "grape")]

# Filter using query
df.query("price > 4 & fruit == 'grape'")

? 12：逆透视数据表

如果要将 DataFrame 从宽表格式转换为长表格式，可以使用pandas.melt()。

如下例，我们可以使用pandas.melt()将多列（“Aldi”、“Walmart”、“Costco”）转换为一列（“store”）的值。

import pandas as pd

df = pd.DataFrame({
    "fruit": ["apple", "orange"],
    "Aldi": [4, 5],
    "Walmart": [6, 7],
    "Costco": [1, 2]
})

df

# Turn Aldi, Walmart, Costco into values of "store"
df.melt(id_vars=["fruit"],
        value_vars=["Aldi", "Walmart", "Costco"],
        var_name='store')

? 13：重命名聚合列

我们经常会使用分组聚合的功能，如果要为聚合分配新名称，可以使用name = (column, agg_method)方法：

import pandas as pd

df = pd.DataFrame({"size": ["S", "S", "M", "L"],
                   "price": [44, 29.99, 10, 19]})

df.groupby('size').agg({'price': 'mean'})

# Assign name to the aggregation
df.groupby('size').agg(
    mean_price=('price', 'mean')
)

? 14：填充空值

pandas.DataFrame.combine_first对两个 DataFrame 进行联合操作，实现合并的功能。

combine_first()方法根据 DataFrame 的行索引和列索引，对比两个 DataFrame 中相同位置的数据，优先取非空的数据进行合并。

如果调用combine_first()方法的 df1 中数据非空，则结果保留 df1 中的数据，如果 df1 中的数据为空值且传入combine_first()方法的 df2 中数据非空，则结果取 df2 中的数据，如果 df1 和 df2 中的数据都为空值，则结果保留 df1 中的空值(空值有三种：np.nan、None 和 pd.NaT)。

即使两个 DataFrame 的形状不相同也不受影响，联合时主要是根据索引来定位数据的位置。

import pandas as pd

store1 = pd.DataFrame({
    "orange": [None, 5, 9],
    "apple": [4, None, 12]
})

store2 = pd.DataFrame({
    "orange": [31, 52, 91],
    "apple": [11, 71, 21]
})

# Fill null values of the store1 with values at the same
# locations from store2
store1.combine_first(store2)

? 15：过滤 DataFrame 中的列

我们可以根据名称中的子字符串过滤 pandas DataFrame 的列，具体是使用 pandas 的DataFrame.filter功能。

import pandas as pd

df = pd.DataFrame({'Temp': ['Hot', 'Cold', 'Warm', 'Cold'],
                   'Degree': [35, 3, 15, 2]})
print(df)

df = pd.get_dummies(df, columns=['Temp'])
print(df)

print(df.filter(like='Temp', axis=1))

? 16：自动转换数据类型

对于 DataFrame 中的列，我们可以调整其数据类型，使用convert_dtypes()可以快速将它转换为我们需要的数据类型。

import pandas as pd
import numpy as np

df = pd.DataFrame(
    {
        "a": pd.Series([1, 2, 3], dtype=np.dtype("int32")),
        "b": pd.Series(["x", "y", "z"], dtype=np.dtype("O")),
        "c": pd.Series([True, False, np.nan], dtype=np.dtype("O")),
        "d": pd.Series(["h", "i", np.nan], dtype=np.dtype("O")),
        "e": pd.Series([10, np.nan, 20], dtype=np.dtype("float")),
        "f": pd.Series([np.nan, 100.5, 200], dtype=np.dtype("float")),
    }
)

df.dtypes

new_df = df.convert_dtypes()
new_df.dtypes

? 17：将新列分配给 DataFrame

在我们处理数据的时候，有时需要根据某个列进行计算得到一个新列，以便后续使用，相当于是根据已知列得到新的列，这个时候assign函数非常方便。

import pandas as pd

time_sentences = ["Saturday: Weekend (Not working day)",
                  "Sunday: Weekend (Not working day)",
                  "Monday: Doctor appointment at 2:45pm.",
                  "Tuesday: Dentist appointment at 11:30 am.",
                  "Wednesday: basketball game At 7:00pm",
                  "Thursday: Back home by 11:15 pm.",
                  "Friday: Take the train at 08:10 am."]

df = pd.DataFrame(time_sentences, columns=['text'])

# Use Assign instead of using direct assignment 
# df['text'] = df.text.str.lower()
# df['text_len'] = df.text.str.len()
# df['word_count'] = df.text.str.count(" ") + 1
# df['weekend'] = df.text.str.contains("saturday|sunday", case=False)
print((
    df
    .assign(text=df.text.str.lower(),
            text_len=df.text.str.len(),
            word_count=df.text.str.count(" ") + 1,
            weekend=df.text.str.contains("saturday|sunday", case=False),
           )
))

? 18：读取 HTML 表格

我们可以使用.read_html()可用于快速合并来自各种网站的表格，我们不用关心它是如何抓取网站HTML的。

import pandas as pd

# 抓取股票资料
table = pd.read_html(
    "http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml"
)

table[0].head()

? 19：nlargest 和 nsmallest

如果我们需要对数据字段进行排序，可以使用.sort_values()，但是它会对所有数据排序，如果我们要获取最大或者最小的 n 个数，可以利用.nlargest()和.nsmallest()。

这里用到的数据集是 ?IMDB电影评分数据集，大家可以通过 ShowMeAI 的百度网盘地址下载。

? 实战数据集下载（百度网盘）：公✦众✦号『ShowMeAI研究中心』回复『实战』，或者点击这里获取本文 [65]资深数据科学家整理的21个Pandas技巧『imdbratings数据集』

⭐ ShowMeAI官方GitHub：https://github.com/ShowMeAI-Hub

import pandas as pd

df = pd.read_csv('data/imdbratings.csv',
                 usecols=['star_rating', 'title', 'genre', 'duration'])

print(df.head())

print(df.nlargest(5, "duration"))

print(df.nsmallest(5, "duration"))

? 20：创建排序列

pandas 的DataFrame.rank()函数可以返回字段每个取值的排名。

在以下示例中，创建了一个新的排名列，该列按学生的分数对学生进行排名：

import pandas as pd

df = pd.DataFrame({'Students': ['John', 'Smith', 'Patrick', 'Bob', 'Jose'],
                   'Marks': [80, 56, 95, 75, 45]})
print(df)

df["Rank"] = df["Marks"].rank(ascending=False)
print(df)

? 21：DataFrame 中的颜色值

可以为 dataframe 添加颜色样式，增加更多的可读性。Pandas 具有 style 属性，可以设置颜色应用于 DataFrame。

import pandas as pd

df = pd.DataFrame({'Students': ['John', 'Smith', 'Patrick', 'Bob', 'Jose'],
                   'Physics': [80, 56, 95, 75, 45], 
                   'Mathematics': [90, 85, 55, 65, 75]})

df.set_index('Students', inplace=True)
df

def pass_condition(val):
    color = 'blue' if val > 70 else 'red'
    return f"background-color: {color}"

df.style.applymap(pass_condition)