【python数据分析】Pandas数据统计包的6种高效函数

我们都知道，Pandas 是 Python 环境下的数据操作和分析软件包，以及强大的数据分析库。在日常的数据分析中都发挥着重要作用，如果没有Pandas 的支持，数据分析将变得异常困难。但有时我们需要加快数据分析的速度，有什么办法可以帮助到我们吗？

在本文中，我为大家介绍6 种 Pandas函数。这些高效的函数会令数据分析更为容易、便捷。

Pandas数据统计包的6种高效函数

Pandas 也是一个 Python 包，它提供了快速、灵活以及具有显著表达能力的数据结构，旨在使处理结构化 (表格化、多维、异构) 和时间序列数据变得既简单又直观。

Pandas 适用于以下各类数据:

• 具有异构类型列的表格数据，如SQL表或Excel表；

• 有序和无序 (不一定是固定频率) 的时间序列数据；

• 带有行/列标签的任意矩阵数据（同构类型或者是异构类型）；

• 其他任意形式的统计数据集。事实上，数据根本不需要标记就可以放入Pandas结构中。

Pandas 擅长处理的类型如下所示：

• 容易处理浮点数据和非浮点数据中的 缺失数据（用 NaN 表示）；

• 大小可调整性: 可以从DataFrame或者更高维度的对象中插入或者是删除列；

• 显式数据可自动对齐: 对象可以显式地对齐至一组标签内，或者用户可以简单地选择忽略标签，使Series、 DataFrame等自动对齐数据；

• 灵活的分组功能，对数据集执行拆分-应用-合并等操作，对数据进行聚合和转换；

• 简化将数据转换为DataFrame对象的过程，而这些数据基本是Python和NumPy数据结构中不规则、不同索引的数据；

• 基于标签的智能切片、索引以及面向大型数据集的子设定；

• 更加直观地合并以及连接数据集；

• 更加灵活地重塑、转置（pivot）数据集；

• 轴的分级标记 (可能包含多个标记)；

• 具有鲁棒性的IO工具，用于从平面文件 (CSV 和 delimited)、Excel文件、数据库中加在数据，以及从HDF5格式中保存 / 加载数据；

• 时间序列的特定功能: 数据范围的生成以及频率转换、移动窗口统计、数据移动和滞后等。

read_csv(nrows=n)

大多数人都会犯的一个错误是，在不需要.csv文件的情况下仍会完整地读取它。如果一个未知的.csv文件有10GB，那么读取整个.csv文件将会非常不明智，不仅要占用大量内存，还会花很多时间。我们需要做的只是从.csv文件中导入几行，之后根据需要继续导入。

import io  
import requests # I am using this online data set just to make things easier for you guys  
url = "https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv"  
s = requests.get(url).content # read only first 10 rows  
df = pd.read\_csv(io.StringIO(s.decode('utf-8')),nrows=10 , index\_col=0)  

map()

map()函数根据相应的输入来映射Series的值。用于将一个Series中的每个值替换为另一个值，该值可能来自一个函数、也可能来自于一个dict或Series。

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

apply()

apply() 允许用户传递函数，并将其应用于Pandas序列中的每个值。

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

isin()

lsin() 用于过滤数据帧。Isin()有助于选择特定列中具有特定（或多个）值的行。

# Using the dataframe we created for read\_csv  
filter1 = df\["value"\].isin(\[112\])   
filter2 = df\["time"\].isin(\[1949.000000\])  
df \[filter1 & filter2\]  

copy()

Copy() 函数用于复制Pandas对象。当一个数据帧分配给另一个数据帧时，如果对其中一个数据帧进行更改，另一个数据帧的值也将发生更改。为了防止这类问题，可以使用copy ()函数。

# creating sample series   
data = pd.Series(\['India', 'Pakistan', 'China', 'Mongolia'\])# Assigning issue that we face  
data1= data  
# Change a value  
data1\[0\]='USA'  
# Also changes value in old dataframe  
data # To prevent that, we use  
# creating copy of series   
new = data.copy()# assigning new values   
new\[1\]='Changed value'# printing data   
print(new)   
print(data)  

select_dtypes()

select_dtypes()的作用是，基于dtypes的列返回数据帧列的一个子集。这个函数的参数可设置为包含所有拥有特定数据类型的列，亦或者设置为排除具有特定数据类型的列。

# We'll use the same dataframe that we used for read\_csv  
framex =  df.select\_dtypes(include="float64")# Returns only time column  

最后，pivot_table()也是Pandas中一个非常有用的函数。如果对pivot_table()在excel中的使用有所了解，那么就非常容易上手了。

# Create a sample dataframe  
school = pd.DataFrame({'A': \['Jay', 'Usher', 'Nicky', 'Romero', 'Will'\],   
      'B': \['Masters', 'Graduate', 'Graduate', 'Masters', 'Graduate'\],   
      'C': \[26, 22, 20, 23, 24\]})# Lets create a pivot table to segregate students based on age and course  
table = pd.pivot\_table(school, values ='A', index =\['B', 'C'\],   
                         columns =\['B'\], aggfunc = np.sum, fill\_value="Not Available")   
  
table

这就是Pandas数据统计包的6种高效函数，相信会为你带来帮助。

好了，今天的分享就到这里了！最后多说一句，小编也是一名python开发工程师，这里有我自己整理的一套最新的python系统学习教程，如果你需要的话，微信扫描下方CSDN官方认证二维码即可领取

学习资源推荐

除了上述分享，如果你也喜欢编程，想通过学习Python获取更高薪资，这里给大家分享一份Python学习资料。

这里给大家展示一下我进的最近接单的截图

😝朋友们如果有需要的话，可以点击下方链接领取或者V扫描下方二维码联系领取，也可以内推兼职群哦~

🎁 CSDN大礼包，二维码失效时，点击这里领取👉：【学习资料合集&相关工具&PyCharm永久使用版获取方式】

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！

1.Python学习路线

2.Python基础学习

01.开发工具

02.学习笔记

03.学习视频

3.Python小白必备手册

4.数据分析全套资源

5.Python面试集锦

01.面试资料

02.简历模板

🎁 CSDN大礼包，二维码失效时，点击这里领取👉：【学习资料合集&相关工具&PyCharm永久使用版获取方式】

因篇幅有限，仅展示部分资料，添加上方即可获取👆
------ 🙇‍♂️ 本文转自网络，如有侵权，请联系删除 🙇‍♂️ ------