想成为高效数据科学家？不会Pandas怎么行

作者：Félix Revert

翻译：Nurhachu Null、张倩

本文转自公众号 机器之心

Pandas 是为了解决数据分析任务而创建的一种基于 NumPy 的工具包，囊括了许多其他工具包的功能，具有易用、直观、快速等优点。要想成为一名高效的数据科学家，不会 Pandas 怎么行？

Python 是开源的，它很棒，但是也无法避免开源的一些固有问题：很多包都在做（或者在尝试做）同样的事情。如果你是 Python 新手，那么你很难知道某个特定任务的最佳包是哪个，你需要有经验的人告诉你。有一个用于数据科学的包绝对是必需的，它就是 pandas。

pandas 最有趣的地方在于里面隐藏了很多包。它是一个核心包，里面有很多其他包的功能。这点很棒，因为你只需要使用 pandas 就可以完成工作。

pandas 相当于 python 中 excel：它使用表（也就是 dataframe)，能在数据上做各种变换，但还有其他很多功能。

如果你早已熟知 python 的使用，可以直接跳到第三段。

让我们开始吧：

import pandas as pd

别问为什么是「pd」而不是「p」，就是这样。用就行了:)

pandas 最基本的功能

读取数据

data = pd.read_csv('my_file.csv')
data = pd.read_csv('my_file.csv', sep=';', encoding='latin-1', nrows=1000, skiprows=[2,5])

sep 代表的是分隔符。如果你在使用法语数据，excel 中 csv 分隔符是「;」，因此你需要显式地指定它。编码设置为'latin-1'来读取法语字符。nrows=1000 表示读取前 1000 行数据。skiprows=[2,5] 表示你在读取文件的时候会移除第 2 行和第 5 行。

• 最常用的功能：read_csv, read_excel
• 其他一些很棒的功能：read_clipboard, read_sql

写数据

data.to_csv('my_new_file.csv', index=None)

index=None 表示将会以数据本来的样子写入。如果没有写 index=None，你会多出一个第一列，内容是 1，2，3，...，一直到最后一行。

我通常不会去使用其他的函数，像.to_excel, .to_json, .to_pickle 等等，因为.to_csv 就能很好地完成工作，并且 csv 是最常用的表格保存方式。

检查数据

Gives (#rows, #columns)

给出行数和列数

data.describe()

计算基本的统计数据

查看数据

data.head(3)

打印出数据的前 3 行。与之类似，.tail() 对应的是数据的最后一行。

data.loc[8]

打印出第八行

data.loc[8, 'column_1']

打印第八行名为「column_1」的列

data.loc[range(4,6)]

第四到第六行（左闭右开）的数据子集

pandas 的基本函数

逻辑运算

data[data['column_1']=='french']
data[(data['column_1']=='french') & (data['year_born']==1990)]
data[(data['column_1']=='french') & (data['year_born']==1990) & ~(data['city']=='London')]

通过逻辑运算来取数据子集。要使用 & (AND)、 ~ (NOT) 和 | (OR)，必须在逻辑运算前后加上「and」。

data[data['column_1'].isin(['french', 'english'])]

除了可以在同一列使用多个 OR，你还可以使用.isin() 函数。

基本绘图

matplotlib 包使得这项功能成为可能。正如我们在介绍中所说，它可以直接在 pandas 中使用。

data['column_numerical'].plot()

（）.plot() 输出的示例

data['column_numerical'].hist()

画出数据分布（直方图）

.hist() 输出的示例

%matplotlib inline

如果你在使用 Jupyter，不要忘记在画图之前加上以上代码。

更新数据

将第八行名为 column_1 的列替换为「english」

在一行代码中改变多列的值

好了，现在你可以做一些在 excel 中可以轻松访问的事情了。下面让我们深入研究 excel 中无法实现的一些令人惊奇的操作吧。

中级函数

统计出现的次数

data['column_1'].value_counts()

.value_counts() 函数输出示例

在所有的行、列或者全数据上进行操作

data['column_1'].map(len)

len() 函数被应用在了「column_1」列中的每一个元素上

.map() 运算给一列中的每一个元素应用一个函数

data['column_1'].map(len).map(lambda x: x/100).plot()

pandas 的一个很好的功能就是链式方法（https://tomaugspurger.github.io/method-chaining）。它可以帮助你在一行中更加简单、高效地执行多个操作（.map() 和.plot()）。

data.apply(sum)

.apply() 会给一个列应用一个函数。

.applymap() 会给表 (DataFrame) 中的所有单元应用一个函数。

tqdm, 唯一的

在处理大规模数据集时，pandas 会花费一些时间来进行.map()、.apply()、.applymap() 等操作。tqdm 是一个可以用来帮助预测这些操作的执行何时完成的包（是的，我说谎了，我之前说我们只会使用到 pandas）。

from tqdm import tqdm_notebook
tqdm_notebook().pandas()

用 pandas 设置 tqdm

data['column_1'].progress_map(lambda x: x.count('e'))

用 .progress_map() 代替.map()、.apply() 和.applymap() 也是类似的。

在 Jupyter 中使用 tqdm 和 pandas 得到的进度条

相关性和散射矩阵

data.corr()
data.corr().applymap(lambda x: int(x*100)/100)

.corr() 会给出相关性矩阵

pd.plotting.scatter_matrix(data, figsize=(12,8))

散点矩阵的例子。它在同一幅图中画出了两列的所有组合。

pandas 中的高级操作

The SQL 关联

在 pandas 中实现关联是非常非常简单的

data.merge(other_data, on=['column_1', 'column_2', 'column_3'])

关联三列只需要一行代码

分组

一开始并不是那么简单，你首先需要掌握语法，然后你会发现你一直在使用这个功能。

data.groupby('column_1')['column_2'].apply(sum).reset_index()

按一个列分组，选择另一个列来执行一个函数。.reset_index() 会将数据重构成一个表。

正如前面解释过的，为了优化代码，在一行中将你的函数连接起来。

行迭代

dictionary = {}

for i,row in data.iterrows():
 dictionary[row['column_1']] = row['column_2']

.iterrows() 使用两个变量一起循环：行索引和行的数据 (上面的 i 和 row)

总而言之，pandas 是 python 成为出色的编程语言的原因之一

我本可以展示更多有趣的 pandas 功能，但是已经写出来的这些足以让人理解为何数据科学家离不开 pandas。总结一下，pandas 有以下优点：

• 易用，将所有复杂、抽象的计算都隐藏在背后了；
• 直观；
• 快速，即使不是最快的也是非常快的。

它有助于数据科学家快速读取和理解数据，提高其工作效率。

原文链接：

https://towardsdatascience.com/be-a-more-efficient-data-scientist-today-master-pandas-with-this-guide-ea362d27386