第12章 pandas高级应用
1、分类数据
pandas分类数据，如何提高性能和内存的使用率。以及在统计和机器学习中使用分类数据的工具。
1.1、pandas处理重复值常见函数
- pd.unique(values)
- pd.value_counts(values) 可以从数组提取出不同的值，并分别计算频率
In [10]: import numpy as np; import pandas as pd
In [11]: values = pd.Series(['apple', 'orange', 'apple',
....: 'apple'] * 2)
In [12]: values
Out[12]:
0 apple
1 orange
2 apple
3 apple
4 apple
5 orange
6 apple
7 apple
dtype: object
In [13]: pd.unique(values)
Out[13]: array(['apple', 'orange'], dtype=object)
In [14]: pd.value_counts(values)
Out[14]:
apple 6
orange 2
dtype: int64
1.2、分类编码 series_str.take(values)
许多数据系统（数据仓库、统计计算或其它应用）都发展出了特定的表征重复值的方法，以进行高效的存储和计算。在数据仓库中，最好的方法是使用包含不同值的维表(Dimension Table)，将主要的参数存储为引用维表整数键：
In [15]: values = pd.Series([0, 1, 0, 0] * 2)
In [16]: dim = pd.Series(['apple', 'orange'])
In [17]: values
Out[17]:
0 0
1 1
2 0
3 0
4 0
5 1
6 0
7 0
dtype: int64
In [18]: dim
Out[18]:
0 apple
1 orange
dtype: object
- 使用take方法存储原始的字符串Series：
这种用整数表示的方法称为分类或字典编码表示法。不同值得数组称为分类、字典或数据级。表示分类的整数值称为分类编码或简单地称为编码。分类表示可以在进行分析时大大的提高性能。你也可以在保持编码不变的情况下，对分类进行转换。
In [19]: dim.take(values)
Out[19]:
0 apple
1 orange
0 apple
0 apple
0 apple
1 orange
0 apple
0 apple
dtype: object
分类转换方法例子：
- 重命名分类。
- 加入一个新的分类，不改变已经存在的分类的顺序或位置。
1.3、pandas的分类类型
pandas有一个特殊的分类类型df_date.astype(‘category’)，用于保存使用整数分类表示法的数据。
- df[‘fruit’]是一个Python字符串对象的数组，调用它本身，df[‘fruit’].astype(‘category’),转变为分类：
In [20]: fruits = ['apple', 'orange', 'apple', 'apple'] * 2
In [21]: N = len(fruits)
In [22]: df = pd.DataFrame({'fruit': fruits,
....: 'basket_id': np.arange(N),
....: 'count': np.random.randint(3, 15, size=N),
....: 'weight': np.random.uniform(0, 4, size=N)},
....: columns=['basket_id', 'fruit', 'count', 'weight'])
In [23]: df
Out[23]:
basket_id fruit count weight
0 0 apple 5 3.858058
1 1 orange 8 2.612708
2 2 apple 4 2.995627
3 3 apple 7 2.614279
4 4 apple 12 2.990859
5 5 orange 8 3.845227
6 6 apple 5 0.033553
7 7 apple 4 0.425778
In [24]: fruit_cat = df['fruit'].astype('category')
In [25]: fruit_cat
Out[25]:
0 apple
1 orange
2 apple
3 apple
4 apple
5 orange
6 apple
7 apple
Name: fruit, dtype: category
Categories (2, object): [apple, orange]
- fruit_cat的值不是NumPy数组，而是一个pandas.Categorical实例：
In [26]: c = fruit_cat.values
In [27]: type(c)
Out[27]: pandas.core.categorical.Categorical
- 分类对象有categories和codes属性：
In [28]: c.categories
Out[28]: Index(['apple', 'orange'], dtype='object')
In [29]: c.codes
Out[29]: array([0, 1, 0, 0, 0, 1, 0, 0], dtype=int8)
可将DataFrame的列通过分配转换结果，转换为分类：
In [30]: df['fruit'] = df['fruit'].astype('category')
In [31]: df.fruit
Out[31]:
0 apple
1 orange
2 apple
3 apple
4 apple
5 orange
6 apple
7 apple
Name: fruit, dtype: category
Categories (2, object): [apple, orange]
- 可以从其它Python序列直接创建pandas.Categorical:pd.Categorical([‘foo’, ‘bar’, ‘baz’, ‘foo’, ‘bar’])
In [32]: my_categories = pd.Categorical(['foo', 'bar', 'baz', 'foo', 'bar'])
In [33]: my_categories
Out[33]:
[foo, bar, baz, foo, bar]
Categories (3, object): [bar, baz, foo]
- 已经从其它源获得了分类编码，你还可以使用from_codes构造器：d.Categorical.from_codes(codes, categories)
In [34]: categories = ['foo', 'bar', 'baz']
In [35]: codes = [0, 1, 2, 0, 0, 1]
In [36]: my_cats_2 = pd.Categorical.from_codes(codes, categories)
In [37]: my_cats_2
Out[37]:
[foo, bar, baz, foo, foo, bar]
Categories (3, object): [foo, bar, baz]
- 与显示指定不同，分类变换不认定指定的分类顺序。因此取决于输入数据的顺序，categories数组的顺序会不同。当使用from_codes或其它的构造器时，可以指定分类一个有意义的顺序ordered=True：
In [38]: ordered_cat = pd.Categorical.from_codes(codes, categories,
....: ordered=True)
In [39]: ordered_cat
Out[39]:
[foo, bar, baz, foo, foo, bar]
Categories (3, object): [foo < bar < baz]
- 输出[foo < bar < baz]指明‘foo’位于‘bar’的前面，以此类推。无序的分类实例可以通过as_ordered排序：
In [40]: my_cats_2.as_ordered()
Out[40]:
[foo, bar, baz, foo, foo, bar]
Categories (3, object): [foo < bar < baz]
- 分类数组可以包括任意不可变类型。
1.4、用分类进行计算 (pd.Series(draws).groupby(bins).agg([‘count’, ‘min’, ‘max’]).reset_index())
与非编码版本（比如字符串数组）相比，使用pandas的Categorical有些类似。某些pandas组件，比如groupby函数，更适合进行分类。还有一些函数可以使用有序标志位。
- 使用pandas.qcut面元函数,它会返回pandas.Categorical
In [41]: np.random.seed(12345)
In [42]: draws = np.random.randn(1000)
In [43]: draws[:5]
Out[43]: array([-0.2047, 0.4789, -0.5194, -0.5557, 1.9658])
#计算这个数据的分位面元，提取一些统计信息：
In [44]: bins = pd.qcut(draws, 4)
In [45]: bins
Out[45]:
[(-0.684, -0.0101], (-0.0101, 0.63], (-0.684, -0.0101], (-0.684, -0.0101], (0.63,
3.928], ..., (-0.0101, 0.63], (-0.684, -0.0101], (-2.95, -0.684], (-0.0101, 0.63
], (0.63, 3.928]]
Length: 1000
Categories (4, interval[float64]): [(-2.95, -0.684] < (-0.684, -0.0101] < (-0.010
1, 0.63] <
(0.63, 3.928]]
- 确切的样本分位数与分位的名称相比，不利于生成汇总。可以使用labels参数qcut，实现目的： bins = pd.qcut(draws, 4, labels=[‘Q1’, ‘Q2’, ‘Q3’, ‘Q4’])
In [46]: bins = pd.qcut(draws, 4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
In [47]: bins
Out[47]:
[Q2, Q3, Q2, Q2, Q4, ..., Q3, Q2, Q1, Q3, Q4]
Length: 1000
Categories (4, object): [Q1 < Q2 < Q3 < Q4]
In [48]: bins.codes[:10]
Out[48]: array([1, 2, 1, 1, 3, 3, 2, 2, 3, 3], dtype=int8)
- 加上标签的面元分类不包含数据面元边界的信息，可以使用groupby提取一些汇总信息：
In [49]: bins = pd.Series(bins, name='quartile')
In [50]: results = (pd.Series(draws).groupby(bins).agg(['count', 'min', 'max']).reset_index())
In [51]: results
Out[51]:
quartile count min max
0 Q1 250 -2.949343 -0.685484
1 Q2 250 -0.683066 -0.010115
2 Q3 250 -0.010032 0.628894
3 Q4 250 0.634238 3.927528
- 分位数列保存了原始的面元分类信息，包括排序：
In [52]: results['quartile']
Out[52]:
0 Q1
1 Q2
2 Q3
3 Q4
Name: quartile, dtype: category
Categories (4, object): [Q1 < Q2 < Q3 < Q4]
1.5、用分类提高性能
如果你是在一个特定数据集上做大量分析，将其转换为分类可以极大地提高效率。DataFrame列的分类使用的内存通常少的多。
#一些包含一千万元素的Series，和一些不同的分类：
In [53]: N = 10000000
In [54]: draws = pd.Series(np.random.randn(N))
In [55]: labels = pd.Series(['foo', 'bar', 'baz', 'qux'] * (N // 4))
#现在，将标签转换为分类：
In [56]: categories = labels.astype('category')
#可以看到标签使用的内存远比分类多：
In [57]: labels.memory_usage()
Out[57]: 80000080
In [58]: categories.memory_usage()
Out[58]: 10000272
- 转换为分类不是没有代价的，但这是一次性的代价：
In [59]: %time _ = labels.astype('category')
CPU times: user 490 ms, sys: 240 ms, total: 730 ms
Wall time: 726 ms
- GroupBy使用分类操作明显更快，是因为底层的算法使用整数编码数组，而不是字符串数组。
1.6、分类方法
包含分类数据的Series提供了方便的分类和编码的使用方法，cat属性：
- cat属性提供了分类方法的入口：cat_s.cat.codes cat_s.cat.categories
- set_categories方法改变实际分类：cat_s.cat.set_categories(actual_categories)
- 使用remove_unused_categories方法删除没看到的分类：cat_s3.cat.remove_unused_categories()
In [60]: s = pd.Series(['a', 'b', 'c', 'd'] * 2)
In [61]: cat_s = s.astype('category')
In [62]: cat_s
Out[62]:
0 a
1 b
2 c
3 d
4 a
5 b
6 c
7 d
dtype: category
Categories (4, object): [a, b, c, d]
- cat属性提供了分类方法的入口：
In [63]: cat_s.cat.codes
Out[63]:
0 0
1 1
2 2
3 3
4 0
5 1
6 2
7 3
dtype: int8
In [64]: cat_s.cat.categories
Out[64]: Index(['a', 'b', 'c', 'd'], dtype='object')
- 数据的实际分类集，超出了数据中的四个值。可以使用set_categories方法改变它们：
In [65]: actual_categories = ['a', 'b', 'c', 'd', 'e']
In [66]: cat_s2 = cat_s.cat.set_categories(actual_categories)
In [67]: cat_s2
Out[67]:
0 a
1 b
2 c
3 d
4 a
5 b
6 c
7 d
dtype: category
Categories (5, object): [a, b, c, d, e]
- 增加了新的分类类别，新的分类类别会出现在类别索引中，计数可以为0。使用value_counts查看分类结果。
In [68]: cat_s.value_counts()
Out[68]:
d 2
c 2
b 2
a 2
dtype: int64
In [69]: cat_s2.value_counts()
Out[69]:
d 2
c 2
b 2
a 2
e 0
dtype: int64
在大数据集中，分类经常作为节省内存和高性能的便捷工具。
- 过滤完大DataFrame或Series之后，许多分类可能不会出现在数据中。可以使用remove_unused_categories方法删除没看到的分类：
In [70]: cat_s3 = cat_s[cat_s.isin(['a', 'b'])]
In [71]: cat_s3
Out[71]:
0 a
1 b
4 a
5 b
dtype: category
Categories (4, object): [a, b, c, d]
In [72]: cat_s3.cat.remove_unused_categories()
Out[72]:
0 a
1 b
4 a
5 b
dtype: category
Categories (2, object): [a, b]
- 表12-1列出了可用的分类方法。
表12-1 pandas的Series的分类方法
1.7、为建模创建虚拟变量 pd.get_dummies(cat_s)
- **使用统计或机器学习工具时，通常会将分类数据转换为虚拟变量，也称为one-hot编码。**这包括创建一个不同类别的列的DataFrame；这些列包含给定分类的1s，其它为0。
In [73]: cat_s = pd.Series(['a', 'b', 'c', 'd'] * 2, dtype='category')
- pandas.get_dummies函数可以转换这个分类数据为包含虚拟变量的DataFrame：pd.get_dummies(cat_s)
In [74]: pd.get_dummies(cat_s)
Out[74]:
a b c d
0 1 0 0 0
1 0 1 0 0
2 0 0 1 0
3 0 0 0 1
4 1 0 0 0
5 0 1 0 0
6 0 0 1 0
7 0 0 0 1
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
