歸納整理了一些工作中常用到的pandas使用技巧，方便更高效地實現數據分析。

1.計算變量缺失率

df=pd.read_csv('titanic_train.csv') 
def missing_cal(df): 
    """ 
    df :數據集 
     
    return：每個變量的缺失率 
    """ 
    missing_series = df.isnull().sum()/df.shape[0] 
    missing_df = pd.DataFrame(missing_series).reset_index() 
    missing_df = missing_df.rename(columns={'index':'col', 
                                            0:'missing_pct'}) 
    missing_df = missing_df.sort_values('missing_pct',ascending=False).reset_index(drop=True) 
    return missing_df 
missing_cal(df) 

 

如果需要計算樣本的缺失率分布，只要加上參數axis=1.

2.獲取分組里最大值所在的行方法

分為分組中有重復值和無重復值兩種。

無重復值的情況。

df = pd.DataFrame({'Sp':['a','b','c','d','e','f'], 'Mt':['s1', 's1', 's2','s2','s2','s3'], 'Value':[1,2,3,4,5,6], 'Count':[3,2,5,10,10,6]}) 
df 

 

 

df.iloc[df.groupby(['Mt']).apply(lambda x: x['Count'].idxmax())] 

 

先按Mt列進行分組，然后對分組之后的數據框使用idxmax函數取出Count最大值所在的列，再用iloc位置索引將行取出。

有重復值的情況

df["rank"] = df.groupby("ID")["score"].rank(method="min", ascending=False).astype(np.int64) 
df[df["rank"] == 1][["ID", "class"]] 

對ID進行分組之后再對分數應用rank函數，分數相同的情況會賦予相同的排名，然后取出排名為1的數據。

 

3.多列合并為一行

df = pd.DataFrame({'id_part':['a','b','c','d'], 'pred':[0.1,0.2,0.3,0.4], 'pred_class':['women','man','cat','dog'], 'v_id':['d1','d2','d3','d1']}) 

 

 

df.groupby(['v_id']).agg({'pred_class': [', '.join],'pred': lambda x: list(x), 
'id_part': 'first'}).reset_index() 

 

4.刪除包含特定字符串所在的行

df = pd.DataFrame({'a':[1,2,3,4], 'b':['s1', 'exp_s2', 's3','exps4'], 'c':[5,6,7,8], 'd':[3,2,5,10]}) 
df[df['b'].str.contains('exp')] 

 

5.組內排序

df = pd.DataFrame([['A',1],['A',3],['A',2],['B',5],['B',9]], columns = ['name','score']) 
df 

 

介紹兩種高效地組內排序的方法。

df.sort_values(['name','score'], ascending = [True,False]) 
 
df.groupby('name').apply(lambda x: x.sort_values('score', ascending=False)).reset_index(drop=True) 

 

6.選擇特定類型的列

drinks = pd.read_csv('data/drinks.csv') 
# 選擇所有數值型的列 
drinks.select_dtypes(include=['number']).head() 
# 選擇所有字符型的列 
drinks.select_dtypes(include=['object']).head() 
drinks.select_dtypes(include=['number','object','category','datetime']).head() 
# 用 exclude 關鍵字排除指定的數據類型 
drinks.select_dtypes(exclude=['number']).head() 

7.字符串轉換為數值

 

df = pd.DataFrame({'列1':['1.1','2.2','3.3'], 
                  '列2':['4.4','5.5','6.6'], 
                  '列3':['7.7','8.8','-']}) 
df 
 
df.astype({'列1':'float','列2':'float'}).dtypes 

用這種方式轉換第三列會出錯，因為這列里包含一個代表 0 的下劃線，pandas 無法自動判斷這個下劃線。 為了解決這個問題，可以使用 to_numeric() 函數來處理第三列，讓 pandas 把任意無效輸入轉為 NaN。

df = df.apply(pd.to_numeric, errors='coerce').fillna(0) 
df 

 

8.優化 DataFrame 對內存的占用

方法一：只讀取切實所需的列，使用usecols參數

cols = ['beer_servings','continent'] 
small_drinks = pd.read_csv('data/drinks.csv', usecols=cols) 

方法二：把包含類別型數據的 object 列轉換為 Category 數據類型，通過指定 dtype 參數實現。

dtypes ={'continent':'category'} 
smaller_drinks = pd.read_csv('data/drinks.csv',usecols=cols, dtype=dtypes) 

9.根據最大的類別篩選 DataFrame

movies = pd.read_csv('data/imdb_1000.csv') 
counts = movies.genre.value_counts() 
movies[movies.genre.isin(counts.nlargest(3).index)].head() 

 

10.把字符串分割為多列

df = pd.DataFrame({'姓名':['張 三','李 四','王 五'], 
                   '所在地':['北京-東城區','上海-黃浦區','廣州-白云區']}) 
df 
df.姓名.str.split(' ', expand=True) 

11.把 Series 里的列表轉換為 DataFrame

df = pd.DataFrame({'列1':['a','b','c'],'列2':[[10,20], [20,30], [30,40]]}) 
df 

 

 

df_new = df.列2.apply(pd.Series) 
pd.concat([df,df_new], axis='columns') 

12.用多個函數聚合

orders = pd.read_csv('data/chipotle.tsv', sep='\t') 
orders.groupby('order_id').item_price.agg(['sum','count']).head() 

 

13.分組聚合

import pandas as pd 
df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'], 
    'key2':['one', 'two', 'one', 'two', 'one'], 
    'data1':np.random.randn(5), 
     'data2':np.random.randn(5)}) 
df 

 

 

for name, group in df.groupby('key1'): print(name) print(group) 

 

 

dict(list(df.groupby('key1'))) 

 

通過字典或Series進行分組

people = pd.DataFrame(np.random.randn(5, 5), 
     columns=['a', 'b', 'c', 'd', 'e'], 
     index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis']) 
mapping = {'a':'red', 'b':'red', 'c':'blue', 
     'd':'blue', 'e':'red', 'f':'orange'} 
by_column = people.groupby(mapping, axis=1) 
by_column.sum()