pandera，一个非常好用的 Python 库！

大家好，今天为大家分享一个非常好用的 Python 库 - pandera。

Github地址：https://github.com/unionai-oss/pandera

---

在数据科学和数据分析中，数据的质量至关重要。不良的数据质量可能导致不准确的分析和决策。为了确保数据的质量，Python Pandera 库应运而生。本文将深入介绍 Python Pandera，这是一个用于数据验证和清洗的库，并提供丰富的示例代码，帮助大家充分利用它来提高数据质量。

什么是 Python Pandera？

Python Pandera 是一个用于数据验证和清洗的库，它的目标是帮助数据科学家和分析师确保数据的质量，并使数据准备过程更加可维护和可重复。Pandera 提供了一种声明性的方式来定义数据的验证规则，可以轻松地将这些规则应用于数据集，以识别和纠正不良数据。

Pandera 的设计理念是将数据验证和清洗与数据分析代码分离，从而降低了错误的风险，并提高了代码的可读性和可维护性。

安装 Python Pandera

要开始使用 Python Pandera，需要在 Python 环境中安装它。可以使用 pip 包管理器来安装 Pandera。

在终端或命令提示符中运行以下命令：

pip install pandera

安装完成后，可以在 Python 代码中导入 Pandera 并开始使用它。

import pandera as pa

基本用法示例

通过一个简单的示例来了解 Python Pandera 的基本用法。

假设有一个包含学生信息的数据集，希望验证数据是否满足以下规则：

• 学生年龄必须介于 18 到 30 岁之间。
• 学生成绩必须是 0 到 100 之间的整数。

定义数据验证规则

首先，需要定义数据验证规则。在 Pandera 中，可以使用 Schema 对象来定义规则。

以下是如何定义上述规则的代码：

# 导入 Pandera 库
import pandera as pa

# 定义数据验证规则
schema = pa.DataFrameSchema({
    "age": pa.Column(pa.Int, checks=[
        pa.Check(lambda age: 18 <= age <= 30, element_wise=True)
    ]),
    "score": pa.Column(pa.Int, checks=[
        pa.Check(lambda score: 0 <= score <= 100, element_wise=True)
    ])
})

在上述代码中，使用 pa.Column 来定义每列的数据类型，并使用 pa.Check 来定义数据验证规则。这些规则是通过 lambda 函数来定义的，用于检查每个元素是否符合规则。

应用数据验证规则

一旦定义了数据验证规则，可以将其应用于数据集以验证数据的质量。

# 创建包含学生信息的数据集
data = {
    "age": [25, 19, 32, 28, 22],
    "score": [90, 75, 110, 88, 95]
}
df = pa.DataFrame(data)

# 应用数据验证规则
schema.validate(df)

在上述代码中，首先创建了包含学生信息的 DataFrame，然后使用 schema.validate 方法来验证数据是否符合规则。如果数据不符合规则，Pandera 将引发异常并指出哪些数据不合格。

进阶用法示例

除了基本用法外，Python Pandera 还提供了一些进阶功能，以满足更复杂的数据验证和清洗需求。

1. 数据类型转换

有时候，可能需要将数据从一种类型转换为另一种类型，以满足验证规则。Pandera 可以定义数据类型转换函数并将其应用于数据。

# 定义数据类型转换函数
def convert_age_to_float(age):
    return float(age)

# 定义数据验证规则
schema = pa.DataFrameSchema({
    "age": pa.Column(pa.Float, checks=[
        pa.Check(lambda age: 18.0 <= age <= 30.0, element_wise=True)
    ]),
    "score": pa.Column(pa.Int, checks=[
        pa.Check(lambda score: 0 <= score <= 100, element_wise=True)
    ])
})

# 创建包含学生信息的数据集
data = {
    "age": ["25", "19", "32", "28", "22"],
    "score": [90, 75, 110, 88, 95]
}
df = pa.DataFrame(data)

# 应用数据验证规则
schema.validate(df, convert_dtype=True)

在上述代码中，首先定义了一个数据类型转换函数 convert_age_to_float，然后在验证规则中将年龄列的数据类型设置为浮点型。通过设置 convert_dtype=True，告诉 Pandera 在验证之前将数据类型转换为指定的类型。

2. 自定义错误消息

还可以自定义错误消息，以便更清晰地指出哪些数据不符合规则。

# 定义自定义错误消息函数
def custom_error_message(check, series):
    return f"Validation failed for column '{series.name}': {check.get_error_description(series)}"

# 定义数据验证规则
schema = pa.DataFrameSchema({
    "age": pa.Column(pa.Float, checks=[
        pa.Check(lambda age: 18.0 <= age <= 30.0, element_wise=True, error=custom_error_message)
    ]),
    "score": pa.Column(pa.Int, checks=[
        pa.Check(lambda score: 0 <= score <= 100, element_wise=True, error=custom_error_message)
    ])
})

# 创建包含学生信息的数据集
data = {
    "age": ["25", "19", "32", "28", "22"],
    "score": [90, 75, 110, 88, 95]
}
df = pa.DataFrame(data)

# 应用数据验证规则
try:
    schema.validate(df, convert_dtype=True)
except pa.errors.SchemaErrors as e:
    for error in e.schema_errors:
        print(error)

在上述代码中，定义了一个自定义错误消息函数 custom_error_message，然后将其应用于数据验证规则中的错误消息。当数据不符合规则时，Pandera 将显示自定义错误消息。

以上就是“pandera，一个非常好用的 Python 库！”的全部内容，希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。