【转】12个用于Python数据操作的Pandas技巧（附代码）

 

Python 近年来成为数据科学领域最受欢迎的语言之一，其中一个重要原因就是 Python 具有大量方便易用的程序包和工具。而在这些库里面，Pandas 是数据科学操作中最实用的工具之一。本文就分享 12 个用于 Python 数据操作的 Pandas 方法，此外还补充了一些能提高你工作效率的技巧和建议。

 

数据集：本文使用 Analytics Vidhya 数据科学大赛中一个“贷款预测”问题中所用的数据集。

https://datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction-iii/

 

首先我们导入模块，将数据集加载到 Python 环境中：

import pandas as pd
import numpy as np
data = pd.read_csv("train.csv", index_col="Loan_ID")

 

布尔索引

 

如果你想根据一定条件从一组列中筛选出一列的值，该怎么办？比如，我们想要一列，包含所有办了贷款且尚未毕业的女性名单。这里使用布尔索引就能帮上忙。可以使用如下代码：

data.loc[(data["Gender"]=="Female") & (data["Education"]=="Not Graduate") & (data["Loan_Status"]=="Y"), ["Gender","Education","Loan_Status"]]

 

 

Apply函数

Apply 函数是用于处理数据和创建新变量的常用函数之一。对 DataFrame 的某行/列应用函数之后，Apply 返回一些值。函数既可以使用默认的，也可以自定义。比如，这里就可以用它来寻找每行和每列的缺失值。

 

#创建一个新函数
def num_missing(x):
  return sum(x.isnull())

#应用每一列
print "Missing values per column:"
print data.apply(num_missing, axis=0) #axis=0 defines that function is to be applied on each column

#应用每一行
print "\nMissing values per row:"
print data.apply(num_missing, axis=1).head() #axis=1 defines that function is to be applied on each row

 

 

这样我们就得到了理想结果。

 

注意：在第二个输出中应用 head() 函数，因为它包含了很多行。

 

替换缺失值

 

使用 fillna() 即可一步实现替换缺失值。它可以用目标列的平均值/众数/中位数更新缺失值。在下面的例子中，我们用‘Gender’，‘Married’和‘Self_Employed’这几列的众数替换它们的缺失值。

 

#首先我们导入一个函数来确定模式
from scipy.stats import mode
mode(data['Gender'])

 

输出：

ModeResult(mode=array([‘Male’], dtype=object), count=array([489]))

 

记住，众数有时也会是数组，因为可能会出现多个高频值。默认情况下我们用第一个：

mode(data['Gender']).mode[0]

输出：

‘Male’

现在我们就可以填充缺失值了，使用前面第 2 种方法进行检查。

 

#导入值:
data['Gender'].fillna(mode(data['Gender']).mode[0], inplace=True)
data['Married'].fillna(mode(data['Married']).mode[0], inplace=True)
data['Self_Employed'].fillna(mode(data['Self_Employed']).mode[0], inplace=True)

#现在再次检查缺失值进行确认:
print data.apply(num_missing, axis=0)

 

 

经确认，缺失值已经被替换掉。注意，这只是一种常见的替换方法，还有其它复杂的方法，比如为缺失值建模。

 

数据透视表

Pandas 还可以用于创建 Excel 风格的数据透视表。例如，在我们这个例子中，数据的关键列就是包含了缺失值的‘LoanAmount’。我们可以用‘Gender’，‘Married’和‘Self_Employed’这几个组的平均值替换掉缺失值。这样每组的平均‘LoanAmount’可以确定为：

 

#确定数据透视表
impute_grps = data.pivot_table(values=["LoanAmount"], index=["Gender","Married","Self_Employed"], aggfunc=np.mean)
print impute_grps

 

 

多索引

 

如果你留意一下第 3 种技巧的输出结果，你会发现它有一个奇怪的特点：每个索引由 3 个值组成。这就是多索引，它能加快我们的操作速度。

 

继续使用上面第 3 种技巧的例子，我们有每一组的值，但尚未估算缺失值。

我们可以使用之前用到的技巧来解决这个问题：

 

#用缺失的 LoanAmount仅迭代所有的行
for i,row in data.loc[data['LoanAmount'].isnull(),:].iterrows():
  ind = tuple([row['Gender'],row['Married'],row['Self_Employed']])
  data.loc[i,'LoanAmount'] = impute_grps.loc[ind].values[0]

#现在再次检查缺失值进行确认
print data.apply(num_missing, axis=0)

 

 

注意：

多索引需要用元组来定义 loc 语句中的索引组，这是在函数中用到的一个元组。

 

这里的 .values[0] 后缀是必需的，因为默认情况下会返回一系列的元素，这会产生一个和 DataFrame 不匹配的索引。在这个例子中，直接分配值会产生错误。

 

Crosstab

 

该函数用于对数据获取一个初步的“感觉”（概览）。这里，我们可以验证一个基本的假设。例如，在这个例子中，我们预计“Credit_History”会大幅影响借款状态。那么我们就可以用如下所示的交叉表进行测试：

pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True)

 

 

这些都是绝对值。但是，使用百分比会更直观些。我们可以用 apply 函数来完成：

def percConvert(ser):
  return ser/float(ser[-1])
  pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True).apply(percConvert, axis=1)

 

 

现在，很明显有信用历史的人获取贷款的几率更高：达到 80%，而没有信用的人只有 9%。

 

但事实并非如此简单。由于我们已知具有信用历史非常重要，那么如果我们将有信用历史的人的借款状态预测为 Y、无信用历史的人预测为 N，会怎样呢？我们会惊讶地发现，全部 614 次测试中有 82+378=460 次预测正确，准确率达到了 75%！

 

你可能会纳闷为何我们需要统计模型，但是你要知道，能将准确率提高哪怕 0.001% 也是一项非常艰难的挑战。

 

注意：75% 的准确率是在训练集上取得的准确率，在测试集上会略微不同，但也差不多。

 

合并DataFrame

 

如果我们有来自多个数据源的信息需要核对，那么合并 DataFrame 会是基本的操作。考虑一种假设情况，其中不同房产类型有不同的房产均价（每平米价格），我们将 DataFrame 定义为：

 

prop_rates = pd.DataFrame([1000, 5000, 12000], index=['Rural','Semiurban','Urban'],columns=['rates'])
prop_rates

 

 

现在，我们就可以将该信息和初始 DataFrame 合并为：

data_merged = data.merge(right=prop_rates, how='inner',left_on='Property_Area',right_index=True, sort=False)
data_merged.pivot_table(values='Credit_History',index=['Property_Area','rates'], aggfunc=len)

 

 

通过数据透视表我们可以知道成功合并了。注意，‘values’参数和这里无关，因为我们只是简单计算值而已。

 

为DataFrame排序

 

Pandas 能让我们很容易地根据多个列进行排序，可以通过如下操作完成：

data_sorted = data.sort_values(['ApplicantIncome','CoapplicantIncome'], ascending=False)
data_sorted[['ApplicantIncome','CoapplicantIncome']].head(10)

 

 

注意：Pandas 的“Sort”函数已经不能用了，我们应该使用“sort_values”来代替它。

 

绘图（箱形图&直方图）

 

可能有很多人不知道我们可以在 Pandas 上直接绘出箱型图和直方图，其实没必要额外调用 matplotlib。只需一行命令就行了。例如，如果我们想根据 Loan_Status 比较贷款申请人的收入分布情况：

import matplotlib.pyplot as plt
%matplotlib inline
data.boxplot(column="ApplicantIncome",by="Loan_Status")

 

data.hist(column="ApplicantIncome",by="Loan_Status",bins=30)

 

从图表中可以看到，收入并不是一个很大的决定性因素，因为收到贷款的人和贷款被拒的人的收入之间并没有明显的差别。

将cut函数用于数据组合

 

有时经过聚类处理后，数值会更有意义。例如，我们想为一天内的车流量建模（时间单位为分钟），精确到每小时每分钟对于预测车流量来说，可能相关度并不是那么高，使用一天中的实际时间段比如“早晨”“下午”“傍晚”“夜晚”“深夜”效果会更好。通过这种方式为车流量建模，会更直观，也能避免过拟合。

 

这里我们定义一个简单的函数，可以重新用于组合任何变量：

 

#组合:
def binning(col, cut_points, labels=None):
  #定义最小和最大值
  minval = col.min()
  maxval = col.max()

  #向cut_points添加最大和最小值来创建列表
  break_points = [minval] + cut_points + [maxval]

  #如果没提供标签就用默认标签 0 ... (n-1)
  if not labels:
    labels = range(len(cut_points)+1)

  #用Pandas的cut函数进行组合
  colBin = pd.cut(col,bins=break_points,labels=labels,include_lowest=True)
  return colBin

#组合:
cut_points = [90,140,190]
labels = ["low","medium","high","very high"]
data["LoanAmount_Bin"] = binning(data["LoanAmount"], cut_points, labels)
print pd.value_counts(data["LoanAmount_Bin"], sort=False)

 

编码名目数据

 

通常我们会遇到一种情况，也就是必须修改名义变量的类别。这可能是因为多个原因：

 

一些算法（比如逻辑回归）需要所有输入为数值型。因而名义变量大部分编写为0,1···（n-1）。

 

有时一个类别可以表示为两种方式。例如，温度可以记录为“High”“Medium”和“Low”，或“H”“low”，这里的“High”和“H”都表示同一类别。同样地，“Low”和“low”也只是有略微区别而已。但是，Python会把它们读取为不同的等级。

 

有些类别出现的类别可能会很低，所以将它们合并通常是个好主意。这里我们定义一个通用函数，它的输入为字典形式，然后会用 Pandas 中的‘replace’函数将输入值编码。

 

#用Pandas的replace函数定义一个通用函数
def coding(col, codeDict):
  colCoded = pd.Series(col, copy=True)
  for key, value in codeDict.items():
    colCoded.replace(key, value, inplace=True)
  return colCoded
 
#将LoanStatus 编码为 Y=1, N=0:
print 'Before Coding:'
print pd.value_counts(data["Loan_Status"])
data["Loan_Status_Coded"] = coding(data["Loan_Status"], {'N':0,'Y':1})
print '\nAfter Coding:'
print pd.value_counts(data["Loan_Status_Coded"])

 

 

迭代DadaFrame的行

 

这项技巧并不经常用到，但万一遇到此类难题时就不怕了，对吧？有些情况下，你可能会用一个 for 循环迭代所有的行。例如，我们面临的一个常见问题就是没有正确对待 Python 中的变量。通常出现在下面两种情况中：

 

• 有数字类别的名义变量被当成数值变量
• 当某一行带有字符（因为数据错误）的数值变量被当成分类变量

 

所以，手动定义列的类型往往是个更好的办法。如果我们检查所有列的数据类型：

 

#检查当前类型:
data.dtypes

 

 

这里我们可以看到 Credit_History 是一个名义变量，但却出现为浮点值。解决该问题的一个好方法就是创建一个 CSV 文件，带有列名和类型。通过这种方法，我们可以写一个通用函数来读取该文件，并分配列数据类型。例如，这里我们创建了一个 CSV 文件 datatypes.csv。

 

#加载文件：
colTypes = pd.read_csv('datatypes.csv')
print colTypes

 

 

在加载该文件后，我们就可以迭代每一行，用列“type”向“feature”列中定义的变量名分配数据类型。

 

#迭代每一行，并分配变量类型
#注：astype 用来分配类型

for i, row in colTypes.iterrows():  #i: dataframe index; row: each row in series format
    if row['type']=="categorical":
        data[row['feature']]=data[row['feature']].astype(np.object)
    elif row['type']=="continuous":
        data[row['feature']]=data[row['feature']].astype(np.float)
print data.dtypes

 

 

这样 Credit_History 列就被修改为“对象”类型，可以用于表示 Pandas 中的名义变量。

 

结语

在本文，我们探究了 Pandas 中的多个技巧，能让我们在使用 Pandas 操作数据和执行特征工程时更方便更高效。另外，我们也定义了一些通用函数，可重新用于在不同数据集上实现同样的效果。