前言:
Pandas
是 Python
中最广泛使用的数据分析和操作库。它提供了许多功能和方法,可以加快 「数据分析」 和 「预处理」 步骤。
为了更好的学习 Python
,我将以客户流失数据集为例,分享 「30」 个在数据分析过程中最常使用的函数和方法。
数据如下所示:
import numpy as np import pandas as pd df = pd.read_csv("Churn_Modelling.csv") print(df.shape) df.columns
结果输出:
(10000, 14)
Index(['RowNumber', 'CustomerId', 'Surname', 'CreditScore', 'Geography','Gender', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'HasCrCard','IsActiveMember', 'EstimatedSalary', 'Exited'],dtype='object')
1.删除列
df.drop(['RowNumber', 'CustomerId', 'Surname', 'CreditScore'], axis=1, inplace=True) print(df[:2]) print(df.shape)
结果输出:
Geography Gender Age Tenure Balance NumOfProducts HasCrCard
0 France Female 42 2 0.0 1 1IsActiveMember EstimatedSalary Exited
0 1 101348.88 1
(10000, 10)
说明:「axis」 参数设置为 1 以放置列,0 设置为行。「inplace=True」 参数设置为 True 以保存更改。我们减了 4 列,因此列数从 14 个减少到 10 列。
2.选择特定列
我们从 csv 文件中读取部分列数据。可以使用 usecols
参数。
df_spec = pd.read_csv("Churn_Modelling.csv", usecols=['Gender', 'Age', 'Tenure', 'Balance']) df_spec.head()
3.nrows
可以使用 nrows
参数,创建了一个包含 csv 文件前 5000 行的数据帧。还可以使用 skiprows
参数从文件末尾选择行。Skiprows=5000
表示我们将在读取 csv 文件时跳过前 5000 行。
df_partial = pd.read_csv("Churn_Modelling.csv", nrows=5000) print(df_partial.shape)
4.样品
创建数据框后,我们可能需要一个小样本来测试数据。我们可以使用 n
或 frac
参数来确定样本大小。
df= pd.read_csv("Churn_Modelling.csv", usecols=['Gender', 'Age', 'Tenure', 'Balance']) df_sample = df.sample(n=1000) df_sample2 = df.sample(frac=0.1)
5.检查缺失值
isna
函数确定数据帧中缺失的值。通过将 isna
与 sum
函数一起使用,我们可以看到每列中缺失值的数量。
df.isna().sum()
6.使用 loc 和 iloc 添加缺失值
使用 loc 和 iloc 添加缺失值,两者区别如下:
loc
:选择带标签iloc
:选择索引
我们首先创建 20 个随机索引进行选择
missing_index = np.random.randint(10000, size=20)
我们将使用 loc
将某些值更改为 np.nan
(缺失值)。
df.loc[missing_index, ['Balance','Geography']] = np.nan
"Balance
"和"Geography
"列中缺少 20 个值。让我们用 iloc 做另一个示例。
df.iloc[missing_index, -1] = np.nan
7.填充缺失值
fillna
函数用于填充缺失的值。它提供了许多选项。我们可以使用特定值、聚合函数(例如均值)或上一个或下一个值。
avg = df['Balance'].mean() df['Balance'].fillna(value=avg, inplace=True)
fillna
函数的方法参数可用于根据列中的上一个或下一个值(例如方法="ffill
")填充缺失值。它可以对顺序数据(例如时间序列)非常有用。
8.删除缺失值
处理缺失值的另一个方法是删除它们。以下代码将删除具有任何缺失值的行。
df.dropna(axis=0, how='any', inplace=True)
9.根据条件选择行
在某些情况下,我们需要适合某些条件的观测值(即行)
france_churn = df[(df.Geography == 'France') & (df.Exited == 1)] france_churn.Geography.value_counts()
10.用查询描述条件
查询函数提供了一种更灵活的传递条件的方法。我们可以用字符串来描述它们。
df2 = df.query('80000 < Balance < 100000') # 让我们通过绘制平衡列的直方图来确认结果。 df2['Balance'].plot(kind='hist', figsize=(8,5))
11.用 isin 描述条件
条件可能有多个值。在这种情况下,最好使用 isin
方法,而不是单独编写值。
df[df['Tenure'].isin([4,6,9,10])][:3]
12.Groupby 函数
Pandas Groupby
函数是一个多功能且易于使用的功能,可帮助获取数据概述。它使浏览数据集和揭示变量之间的基本关系更加容易。
我们将做几个组比函数的示例。让我们从简单的开始。以下代码将基于 Geography
、Gender
组合对行进行分组,然后给出每个组的平均流失率。
df[['Geography','Gender','Exited']].groupby(['Geography','Gender']).mean()
13.Groupby与聚合函数结合
agg
函数允许在组上应用多个聚合函数,函数的列表作为参数传递。
df[['Geography','Gender','Exited']].groupby(['Geography','Gender']).agg(['mean','count'])
14.对不同的群体应用不同的聚合函数
df_summary = df[['Geography','Exited','Balance']].groupby('Geography').agg({'Exited':'sum', 'Balance':'mean'}) df_summary.rename(columns={'Exited':'# of churned customers', 'Balance':'Average Balance of Customers'},inplace=True)
此外,「NamedAgg
函数」允许重命名聚合中的列
import pandas as pd df_summary = df[['Geography','Exited','Balance']].groupby('Geography').agg(Number_of_churned_customers = pd.NamedAgg('Exited', 'sum'),Average_balance_of_customers = pd.NamedAgg('Balance', 'mean')) print(df_summary)
15.重置索引
您是否已经注意到上图的数据格式了。我们可以通过重置索引来更改它。
print(df_summary.reset_index())
图片
16.重置并删除原索引
在某些情况下,我们需要重置索引并同时删除原始索引。
df[['Geography','Exited','Balance']].sample(n=6).reset_index(drop=True)
17.将特定列设置为索引
我们可以将数据帧中的任何列设置为索引。
df_new.set_index('Geography')
18.插入新列
group = np.random.randint(10, size=6) df_new['Group'] = group
19.where 函数
它用于根据条件替换行或列中的值。默认替换值为 NaN
,但我们也可以指定要作为替换值。
df_new['Balance'] = df_new['Balance'].where(df_new['Group'] >= 6, 0)
20.等级函数
等级函数为值分配一个排名。让我们创建一个列,根据客户的余额对客户进行排名。
df_new['rank'] = df_new['Balance'].rank(method='first', ascending=False).astype('int')
21.列中的唯一值数
它使用分类变量时派上用场。我们可能需要检查唯一类别的数量。我们可以检查值计数函数返回的序列的大小或使用 nunique
函数。
df.Geography.nunique
22.内存使用情况
使用函数 memory_usage
,这些值显示以字节为单位的内存.
df.memory_usage()
23.数据类型转换
默认情况下,分类数据与对象数据类型一起存储。但是,它可能会导致不必要的内存使用,尤其是当分类变量具有较低的基数。
低基数意味着列与行数相比几乎没有唯一值。例如,地理列具有 3 个唯一值和 10000 行。
我们可以通过将其数据类型更改为"类别"来节省内存。
df['Geography'] = df['Geography'].astype('category')
24.替换值
替换函数可用于替换数据帧中的值。
df['Geography'].replace({0:'B1',1:'B2'})
25.绘制直方图
pandas
不是一个数据可视化库,但它使得创建基本绘图变得非常简单。
我发现使用 Pandas
创建基本绘图更容易,而不是使用其他数据可视化库。
让我们创建平衡列的直方图。
26.减少浮点数小数点
pandas
可能会为浮点数显示过多的小数点。我们可以轻松地调整它。
df['Balance'].plot(kind='hist', figsize=(10,6), title='Customer Balance')
27.更改显示选项
我们可以更改各种参数的默认显示选项,而不是每次手动调整显示选项。
get_option
:返回当前选项set_option
:更改选项 让我们将小数点的显示选项更改为 2。
pd.set_option("display.precision", 2)
可能要更改的一些其他选项包括:
max_colwidth
:列中显示的最大字符数max_columns
:要显示的最大列数max_rows
:要显示的最大行数
28.通过列计算百分比变化
pct_change
用于计算序列中值的变化百分比。在计算时间序列或元素顺序数组中更改的百分比时,它很有用。
ser= pd.Series([2,4,5,6,72,4,6,72]) ser.pct_change()
29.基于字符串的筛选
我们可能需要根据文本数据(如客户名称)筛选观测值(行)。我已经在数据帧中添加了df_new
名称。
df_new[df_new.Names.str.startswith('Mi')]
30.设置数据帧样式
我们可以通过使用返回 Style
对象的 Style 属性来实现此目的,它提供了许多用于格式化和显示数据框的选项。例如,我们可以突出显示最小值或最大值。
它还允许应用自定义样式函数。
df_new.style.highlight_max(axis=0, color='darkgreen')
到此这篇关于30 个 Python
函数,加速数据分析处理速度的文章就介绍到这了,更多相关Python
函数,加速数据分析处理速度内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!