|
|
51CTO旗下网站
|
|
移动端

12个很棒的Pandas和NumPy函数,让分析事半功倍

今天,小芯将分享12个很棒的Pandas和NumPy函数,这些函数将会让生活更便捷,让分析事半功倍。

作者:读芯术来源:读芯术|2020-04-03 13:50

本文转载自公众号“读芯术”(ID:AI_Discovery)

大家都知道Pandas和NumPy函数很棒,它们在日常分析中起着重要的作用。没有这两个函数,人们将在这个庞大的数据分析和科学世界中迷失方向。

今天,小芯将分享12个很棒的Pandas和NumPy函数,这些函数将会让生活更便捷,让分析事半功倍。

在本文结尾,读者可以找到文中提到的代码的JupyterNotebook。

数据分析/Pandas/NumPy/函数

从NumPy开始:

NumPy是使用Python进行科学计算的基本软件包。它包含以下内容:

  • 强大的N维数组对象
  • 复杂的(广播broadcasting)功能
  • 集成C / C++和Fortran代码工具
  • 有用的线性代数,傅立叶变换和随机数功能

除明显的科学用途外,NumPy是高效的通用数据多维容器,可以定义任意数据类型。这使NumPy能够无缝且高速地与各种数据库进行集成。

1. allclose()

Allclose() 用于匹配两个数组并且以布尔值形式输出。如果两个数组的项在公差范围内不相等,则返回False。这是检查两个数组是否相似的好方法,因为这一点实际很难手动实现。

  1. array1 = np.array([0.12,0.17,0.24,0.29]) 
  2. array2 = np.array([0.13,0.19,0.26,0.31])# with a tolerance of 0.1, it shouldreturn False: 
  3. np.allclose(array1,array2,0.1) 
  4. False# with a tolerance of 0.2, it should return True: 
  5. np.allclose(array1,array2,0.2) 
  6. True 

2. argpartition()

NumPy的这个函数非常优秀,可以找到N最大值索引。输出N最大值索引,然后根据需要,对值进行排序。

  1. x = np.array([12, 10, 12, 0, 6, 8, 9, 1, 16, 4, 6,0])index_val = np.argpartition(x, -4)[-4:] 
  2. index_val 
  3. array([1, 8, 2, 0], dtype=int64)np.sort(x[index_val]) 
  4. array([10, 12, 12, 16]) 

3. clip()

Clip() 用于将值保留在间隔的数组中。有时,需要将值保持在上限和下限之间。因此,可以使用NumPy的clip()函数。给定一个间隔,该间隔以外的值都将被裁剪到间隔边缘。

  1. x = np.array([3, 17, 14, 23, 2, 2, 6, 8, 1, 2, 16,0])np.clip(x,2,5) 
  2. array([3, 5, 5, 5, 2, 2, 5, 5, 2, 2, 5, 2]) 

4. extract()

顾名思义,extract() 函数用于根据特定条件从数组中提取特定元素。有了该函数,还可以使用and和or等的语句。

  1. # Random integers 
  2. array = np.random.randint(20, size=12
  3. array 
  4. array([ 0,  1,  8, 19, 16, 18, 10, 11,  2, 13, 14, 3])#  Divide by 2 and check ifremainder is 1 
  5. cond = np.mod(array, 2)==1 
  6. cond 
  7. array([False,  True, False,  True, False, False, False,  True, False, True, False,  True])# Use extract to get the values 
  8. np.extract(cond, array) 
  9. array([ 1, 19, 11, 13,  3])# Applycondition on extract directly 
  10. np.extract(((array < 3) | (array > 15)), array) 
  11. array([ 0,  1, 19, 16, 18,  2]) 

5. percentile()

Percentile()用于计算沿指定轴的数组元素的第n个百分位数。

  1. a = np.array([1,5,6,8,1,7,3,6,9])print("50thPercentile of a, axis = 0 : ",  
  2.       np.percentile(a, 50, axis =0)) 
  3. 50th Percentile of a, axis = 0 :  6.0b =np.array([[10, 7, 4], [3, 2, 1]])print("30th Percentile of b, axis = 0 :",  
  4.       np.percentile(b, 30, axis =0)) 
  5. 30th Percentile of b, axis = 0 :  [5.13.5 1.9] 

6. where()

Where() 用于从满足特定条件的数组中返回元素。它返回在特定条件下值的索引位置。这差不多类似于在SQL中使用的where语句。请看以下示例中的演示。

  1. y = np.array([1,5,6,8,1,7,3,6,9])# Where y is greaterthan 5, returns index position 
  2. np.where(y>5) 
  3. array([2, 3, 5, 7, 8], dtype=int64),)# First will replace the values that matchthe condition, 
  4. # second will replace the values that does not 
  5. np.where(y>5, "Hit", "Miss") 
  6. array(['Miss', 'Miss', 'Hit', 'Hit', 'Miss', 'Hit', 'Miss', 'Hit','Hit'],dtype='<U4'

接着来讲一讲神奇的Pandas函数。

Pandas

Pandas是一个Python软件包,提供快速、灵活和富有表现力的数据结构,旨在使处理结构化(表格,多维,潜在异构)的数据和时间序列数据既简单又直观。

Pandas非常适合许多不同类型的数据:

  • 具有异构类型列的表格数据,例如在SQL表或Excel电子表格中
  • 有序和无序(不一定是固定频率)的时间序列数据。
  • 具有行和列标签的任意矩阵数据(同类型或异类)
  • 观察/统计数据集的任何其他形式。实际上,数据根本不需要标记,即可放入Pandas数据结构。

以下是Pandas的优势:

  • 轻松处理浮点数据和非浮点数据中的缺失数据(表示为NaN)
  • 大小可变性:可以从DataFrame和更高维的对象中插入和删除列
  • 自动和显式的数据对齐:在计算中,可以将对象显式对齐到一组标签,或者用户可以直接忽略标签,并让Series,DataFrame等自动对齐数据
  • 强大灵活的分组功能,可对数据集执行拆分-应用-合并操作,以汇总和转换数据
  • 轻松将其他Python和NumPy数据结构中的不规则的、索引不同的数据转换为DataFrame对象
  • 大数据集的智能标签的切片,高级索引和子集化
  • 直观的合并和联接数据集
  • 数据集的灵活重塑和旋
  • 坐标轴的分层标签(每个刻度可能有多个标签)
  • 强大的IO工具,用于从平面文件(CSV和定界文件)、 Excel文件,数据库加载数据,以及以超高速HDF5格式保存/加载数据
  • 特定于时间序列的功能:日期范围生成和频率转换、移动窗口统计、日期移位和滞后。

1. apply()

Apply() 函数允许用户传递函数并将其应用于Pandas序列中每个单一值。

  1. # max minus mix lambda fn 
  2. fn = lambda x: x.max() - x.min()# Apply this on dframe that we've just createdabove 
  3. dframe.apply(fn) 

2. copy()

Copy()函数用于创建Pandas对象的副本。将数据帧分配给另一个数据帧时,在另一个数据帧中进行更改,其值也会进行同步更改。为了避免出现上述问题,可以使用copy()函数。

  1. # creating sample series 
  2. data = pd.Series(['India', 'Pakistan', 'China', 'Mongolia'])# Assigning issuethat we face 
  3. datadata1= data 
  4. # Change a value 
  5. data1[0]='USA' 
  6. # Also changes value in old dataframe 
  7. data# To prevent that, we use 
  8. # creating copy of series 
  9. new = data.copy()# assigning new values 
  10. new[1]='Changed value'# printing data 
  11. print(new) 
  12. print(data) 

3. read_csv(nrows=n)

​12个很棒的Pandas和NumPy函数,让分析事半功倍
来源:Pexels

读者可能已经知道了read-csv函数的重要性。但即使不必要,大多数人仍会错误地读取整个.csv文件。假设未知10GB的.csv文件中的列和数据,在这种情况下读取整个.csv文件并非明智的决定,因为这会浪费内存和时间。可以仅从.csv中导入几行,然后根据需要继续操作。

  1. import io 
  2. import requests# I am using this online data set just to make things easier foryou guys 
  3. url = "https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv" 
  4. s = requests.get(url).content# read only first 10 rows 
  5. df = pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10 , index_col=0

4. map()

map()函数用于根据输入对应关系映射Series的值。用于将序列(Series)中的每个值替换为另一个值,该值可以从函数、字典或序列(Series)中得出。

  1. # create a dataframe 
  2. dframe = pd.DataFrame(np.random.randn(4, 3), columns=list('bde'),index=['India', 'USA', 'China', 'Russia'])#compute a formatted string from eachfloating point value in frame 
  3. changefn = lambda x: '%.2f' % x# Make changes element-wise 
  4. dframe['d'].map(changefn) 

5. isin()

Isin() 函数用于过滤数据帧。Isin() 有助于选择在特定列中具有特定(或多个)值的行。这是笔者见过的最有用的功能。

  1. # Using the dataframe we created for read_csv 
  2. filter1 = df["value"].isin([112]) 
  3. filter2 = df["time"].isin([1949.000000])df [filter1 & filter2] 

6. select_dtypes()

select_dtypes()函数基于dtypes列返回数据框的列的子集。设置此函数的参数,以包括具有某些特定数据类型的所有列;也可对其进行设置,以排除具有某些特定数据类型的所有列。

  1. # We'll use the same dataframe that we used for read_csv 
  2. framex = df.select_dtypes(include="float64")# Returns only time column 

福利:

Pivot_table()

Pandas最神奇最有用的功能是pivot_table。如果你纠结于是否使用groupby,并想扩展其功能,那么不妨试试pivot-table。如果明白数据透视表在excel中的工作原理,那么一切就非常简单了。数据透视表中的级别将存贮在MultiIndex对象(分层索引)中,而该对象位于DataFrame结果的索引和列上。

  1. # Create a sample dataframe 
  2. school = pd.DataFrame({'A': ['Jay', 'Usher', 'Nicky', 'Romero', 'Will'], 
  3.       'B': ['Masters', 'Graduate','Graduate', 'Masters', 'Graduate'], 
  4.       'C': [26, 22, 20, 23, 24]}) 
  5. # Lets create a pivot table to segregate students based on age and course 
  6. table = pd.pivot_table(school, values ='A'index =['B', 'C'], 
  7.                          columns =['B'], aggfunc = np.sum,fill_value="Not Available"
  8.   
  9. table 

【责任编辑:赵宁宁 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

庖丁解牛Ceph分布式存储

庖丁解牛Ceph分布式存储

云计算存储的基石
共5章 | Happy云实验室

134人订阅学习

AI语音聊天应用开发

AI语音聊天应用开发

一键部署Web服务
共4章 | jextop

20人订阅学习

 敏捷无敌之 Gitlab CI 持续集成

敏捷无敌之 Gitlab CI 持续集成

打破运维与研发壁垒
共5章 | KaliArch

121人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微