Pandas在数据分析领域已经是家喻户晓,成为了数据分析师最常使用的Python库之一。本文重点介绍与Pandas库相辅相成的另一个数据分析专用的Python库:Pyjanitor。
Pyjanitor可以在Pandas的基础上进一步简化数据预处理工作。数据预处理通常由一系列步骤组成,通过这些步骤,数据从原始杂乱的格式转化为我们业务所需的格式。在传统Pandas预处理步骤中,我们通过删除空数据行、添加新的列/重命名列/合并列、过滤行等一步步操作来完成。这些步骤是有依赖性的,我们通常称为有向无环图。
受到R语言中dplyr包易用性和表达能力的启发,现在Pyjanitor已经发展成为一种为Pandas用户进行数据处理的便捷实用的有向无环图方法。我们可以通过链式操作,更有逻辑顺序地用Pandas实现数据处理。让我们先来看一个示例吧ヽ(•̀ω•́ )ゝ
现在我们需要完成如下数据处理流程:
- 创建一个DataFrame。
- 删除一列。
- 在两个特定的列中删除具有空值的行。
- 重命名另外两列。
- 添加一个新列。
建立数据集。
import numpy as npimport pandas as pdimport janitorcompany_sales = { 'SalesMonth': ['Jan', 'Feb', 'Mar', 'April'], 'Company1': [150.0, 200.0, 300.0, 400.0], 'Company2': [180.0, 250.0, np.nan, 500.0], 'Company3': [400.0, 500.0, 600.0, 675.0]}
对于Pandas“传统流派”,这几步操作可能是这样的:
# 从dict导入dataframedf = pd.DataFrame.from_dict(company_sales)# 从dataframe中删除一列“Company1”del df['Company1']# 删除有空值的数据行df = df.dropna(subset=['Company2', 'Company3'])# 更改列名df = df.rename( { 'Company2': 'Amazon', 'Company3': 'Facebook', }, axis=1,)# 添加新的一列df['Google'] = [450.0, 550.0, 800.0]df
稍微有链式思想的分析师的代码可能如下:
df = ( pd.DataFrame(company_sales) .drop(columns="Company1") .dropna(subset=['Company2', 'Company3']) .rename(columns={"Company2": "Amazon", "Company3": "Facebook"}) .assign(Google=[450.0, 550.0, 800.0]) )df
使用Pyjanitor的情况下,我们可以“谓语化”地以每一步的动作来进行链式操作:
df = ( pd.DataFrame.from_dict(company_sales) .remove_columns(['Company1']) .dropna(subset=['Company2', 'Company3']) .rename_column('Company2', 'Amazon') .rename_column('Company3', 'Facebook') .add_column('Google', [450.0, 550.0, 800.0]))df
其中remove_columns、dropna、rename_column、add_column都是“谓语化”的方法,效果和传统方法是一样的。
Pyjanitor提供了一种方便的数据处理链来处理Pandas格式数据,而与传统Pandas方法相比,Pyjanitor更加清晰简便。在导入原始数据的一开始,我们也可以用Pyjanitor进行全局的初步预处理。现在我们有以下数据集:
company_sales2 = { 'First Name': ['Jason', 'Alicia', 'Ada', 'Desus'], 'Last Name': ['Bourne', 'Keys', 'Lovelace', 'Nice'], 'Full Time?': ['yes', 'yes', 'no', 'yes'], 'Allocated %': [0.75, 0.25, 1.0, 1.0], 'Certification': [np.nan, 'instr.music', 'PENDING', 'science 6-12'], 'Certification.1': ['Teacher', 'Vocal music', np.nan, 'Physics'], 'Certification.2': [np.nan, np.nan, np.nan, np.nan], 'Hire Date': [39690.0, 37118.0, 27515.0, 41431.0]}
可以看到,该数据集中的列名很混乱,不仅含有空格、存在“?”“%”等符号,还有空值列;Hire Date列为不标准的Timestamp格式;相同特征Certification有三列(需要进行合并处理);最后需要添加新的属性列并做log转换。在用原始Pandas清洗该数据集时会用如下方法:
import datetime df2 = pd.DataFrame.from_dict(company_sales2)df2 = df2.rename( mapper={ 'First Name': 'first_name', 'Last Name': 'last_name', 'Full Time?': 'is_full_time', 'Allocated %': 'percentage_allocated', 'Certification': 'certification', 'Hire Date': 'hire_date' }, axis=1)df2['hire_date'] = ( pd.TimedeltaIndex(df2['hire_date'], unit='d') + datetime.datetime(1899, 12, 30))df2['certification'] = df2['certification'].combine_first(df2['certification.1'])df2 = ( df2.drop( ['certification.1', 'certification.2'], axis=1 ))gratitude_points = [10, 500, 1000, 300]df2 = df2.assign(gratitude_points=gratitude_points)df2['gratitude_log'] = df2['gratitude_points'].apply(np.log) df2
经过Pandas的方法,经过长长的代码,终于清洗完了,深呼一口气~
下面来看看Pyjanitor是如何处理的:
gratitude_points = [10, 500, 1000, 300]df2 = ( df2 .remove_empty() .clean_names(strip_underscores=True) .coalesce(column_names=['certification', 'certification_1'], new_column_name='certification', delete_columns=True) .convert_excel_date('hire_date') .rename_column('allocated_%', 'percentage_allocated') .add_column('gratitude_points', gratitude_points) .transform_column('gratitude_points', np.log, 'gratitude_log')) df2
经过几行Pyjanitor操作,数据已经变成了和上面Pandas处理后相同的效果。可以看到,Pyjanitor可以链式地“谓语化”地结合Pandas高效处理数据,怎么样?高大上吧(•̀ω•́)✧
另外Pyjanitor也可以方便地对特征进行拆分与合并,用到的方法是concatenate_columns() 和 deconcatnate_column():
# 因为该方法是对字符串操作,所以特意新加入一列字符串格式的日期特征df2['hire_date_str'] = df2['hire_date'].astype(str)df2 = ( df2 .deconcatenate_column( column_name='hire_date_str', new_column_names=['year', 'month', 'day'], sep='-', preserve_position=False )) df2
现在新生成了三列特征year、month、day,相比于Pandas的str.split方法,此种方法可以直接将新生成的特征列加入到Dateframe中。
还有更多的Pyjanitor内容以及可生成“自定义”Pandas方法的pandas-flavor库,这些就留给大家自己去探索了!看完有没有觉得Pyjanitor很实用呢?快去自己的项目里试试手吧ヽ(•̀ω•́ )ゝ
Pyjanitor安装方法(注意是pyjanitor而不是janitor):
# pippip install pyjanitor# pip清华源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyjanitor# condaconda install pyjanitor -c conda-forge
源码获取记得加下我的交流群哦:1136192749