pandas是python中常用的数据分析库,出现频率非常高。而且pandas功能之多让人咋舌,即使pandas老手也没法保证能高效使用pandas做数据分析,这篇文章就是带大家梳理下那些可以自带buff的pandas小技巧。
1. 通过数据类型选择columns
数据分析过程可能会需要筛选数据列,比如只需要数值列,以经典的泰坦尼克数据集为例:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.head()
查看该数据集各列的数据类型:
df.dtypes
可以看到各列的数据类型不太一样,有int、object、float、bool
等。
如果说我只要需要数值列,也就是数据类型为int、float
的列,可以通过select_dtypes
方法实现:
df.select_dtypes(include='number').head()
选择除数据类型为int
外其他的列,注意这里的参数是exclude
:
df.select_dtypes(exclude='int').head()
也可以选择多种数据类型:
df.select_dtypes(include=['int', 'datetime', 'object']).head()
2. 将strings改为numbers
在pandas中,有两种方法可以将字符串改为数值:
astype()
方法to_numeric()
方法
先创建一个样本dataframe,看看这两种方法有什么不同。
import pandas as pd
df = pd.DataFrame({ 'product': ['A','B','C','D'],
'price': ['10','20','30','40'],
'sales': ['20','-','60','-']
})
df
product列是字符串类型,price、sales列虽然内容有数字,但它们的数据类型也是字符串。
值得注意的是,price列都是数字,sales列有数字,但空值用-
代替了。
df.dtypes
下面我们用astype()
方法将price列的数据类型改为int
:
df['price'] = df['price'].astype(int)
# 或者用另一种方式
df = df.astype({'price': 'int'})
但如果你同样用astype()
方法更改sales列的话就会出现报错:
df['sales'] = df['sales'].astype(int)
原因是sales列里面的内容除了数字外还有-
,它是字符串,没办法转化为int
。
而to_numeric()
方法却可以解决这一问题,只需要设置参数errors='coerce'
。
df['sales'] = pd.to_numeric(df['sales'], errors='coerce')
df
现在sale列中的-
已经被替换成了NaN
,它的数据类型也变成了float
。
df.dtypes
3. 检测并处理缺失值
有一种比较通用的检测缺失值的方法是info()
,它可以统计每列非缺失值的数量。
还是用泰坦尼克数据集:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df.info()
标红色地方是有缺失值的列,并且给出了非缺失值的数量,你可以计算出该列有多少缺失值。
这样看可能不够直观,那可以用df.isnull().sum()
方法很清楚地得到每列有多少缺失值:
df.isnull().sum()
df.isnull().sum().sum()
则能够返回该数据集总共有多少缺失值:
df.isnull().sum().sum()
还可以看缺失值在该列的占比是多少,用df.isna().mean()
方法:
df.isna().mean()
注意:这里isnull()
和isna()
使用效果一样。
那如何处理缺失值呢?
两种方式:删除和替换。
删除包含缺失值的行:
df.dropna(axis = 0)
删除包含缺失值的列:
df.dropna(axis = 1)
如果一列里缺失值超过10%,则删除该列:
df.dropna(thresh=len(df)*0.9, axis=1)
用一个标量替换缺失值:
df.fillna(value=10)
用上一行对应位置的值替换缺失值:
df.fillna(axis=0, method='ffill')
用前一列对应位置的值替换缺失值:
df.fillna(axis=1, method='ffill')
用下一行对应位置的值替换缺失值:
df.fillna(axis=0, method='bfill')
用后一列对应位置的值替换缺失值:
df.fillna(axis=1, method='bfill')
使用某一列的平均值替换缺失值:
df['Age'].fillna(value=df['Age'].mean(), inplace=True)
当然你还可以用最大最小值、分位数值等来替换缺失值。
4. 对连续数据进行离散化处理
在数据准备过程中,常常会组合或者转换现有特征以创建一个新的特征,其中将连续数据离散化是非常重要的特征转化方式,也就是将数值变成类别特征。
同样以泰坦尼克数据集为例,里面有一列是年龄特征age
:
import seaborn as sns
# 导出泰坦尼克数据集
df = sns.load_dataset('titanic')
df['age'].head()
年龄是一段连续值,如果我们想对它进行分组变成分类特征,比如(<=12,儿童)、(<=18,青少年)、(<=60,成人)、(>60,老人),可以用cut
方法实现:
import sys
df['ageGroup']=pd.cut(
df['age'],
bins=[0, 13, 19, 61, sys.maxsize],
labels=['儿童', '青少年', '成人', '老人']
)
df.head()
注意:这里的sys.maxsize是指可以存储的最大值。
可以看到新增了一列ageGroup,用以展示年龄分组:
df['ageGroup'].head()
5. 从剪切板中创建DataFrame
pandas中的read_clipboard()
方法非常神奇,可以把剪切板中的数据变成dataframe格式,也就是说直接在excel中复制表格,可以快速转化为dataframe。
以下面这个excel数据表为例,全部选中,按ctrl+c复制:
然后在python中执行pd.read_clipboard()
,就能得到一模一样的dataframe数据表:
pd.read_clipboard()
这功能对经常在excel和python中切换的分析师来说简直是福音,excel中的数据能一键转化为pandas可读格式。
6. 从多个文件中构建一个DataFrame
有时候数据集可能分布在多个excel或者csv文件中,但需要把它读取到一个DataFrame中,这样的需求该如何实现?
做法是分别读取这些文件,然后将多个dataframe组合到一起,变成一个dataframe。
这里使用内置的glob模块,来获取文件路径,简洁且更有效率。
在上图中,glob()
在指定目录中查找所有以“ data_row_”开头的CSV文件。
glob()
以任意顺序返回文件名,这就是为什么使用sort()
函数对列表进行排序的原因。
行合并
假设数据集按行分布在2个文件中,分别是data_row_1.csv和data_row_2.csv
用以下方法可以逐行合并:
files = sorted(glob('data/data_row_*.csv'))
pd.concat((pd.read_csv(file) for file in files), ignore_index=True)
sorted(glob('data/data_row_*.csv'))
返回文件名,然后逐个读取,并且使用concat()
方法进行合并,得到结果:
列合并
假设数据集按列分布在2个文件中,分别是data_row_1.csv和data_row_2.csv
用以下方法可以逐列合并:
files = sorted(glob('data/data_col_*.csv'))
pd.concat((pd.read_csv(file) for file in files), axis=1)
sorted(glob('data/data_row_*.csv'))
返回文件名,然后逐个读取,并且使用concat()
方法进行列合并(注意这里axis=1),得到结果:
本文就到这里,pandas还有很多让人惊喜的小技巧,大家有兴趣也可以在评论区说说你的使用心得。