從小白到大師，這里有一份Pandas入門指南
通過本文，你將有望發(fā)現(xiàn)一到多種用 pandas 編碼的新方法。
本文包括以下內(nèi)容：
- Pandas 發(fā)展現(xiàn)狀;
- 內(nèi)存優(yōu)化;
- 索引;
- 方法鏈;
- 隨機提示。
在閱讀本文時，我建議你閱讀每個你不了解的函數(shù)的文檔字符串(docstrings)。簡單的 Google 搜索和幾秒鐘 Pandas 文檔的閱讀，都會使你的閱讀體驗更加愉快。
一、Pandas 的定義和現(xiàn)狀
1. 什么是 Pandas?
Pandas 是一個「開源的、有 BSD 開源協(xié)議的庫，它為 Python 編程語言提供了高性能、易于使用的數(shù)據(jù)架構(gòu)以及數(shù)據(jù)分析工具」?？傊?，它提供了被稱為 DataFrame 和 Series(對那些使用 Panel 的人來說，它們已經(jīng)被棄用了)的數(shù)據(jù)抽象，通過管理索引來快速訪問數(shù)據(jù)、執(zhí)行分析和轉(zhuǎn)換運算，甚至可以繪圖(用 matplotlib 后端)。
Pandas 的當(dāng)前最新版本是 v0.25.0
(https://github.com/pandas-dev/pandas/releases/tag/v0.25.0)
Pandas 正在逐步升級到 1.0 版，而為了達到這一目的，它改變了很多人們習(xí)以為常的細節(jié)。Pandas 的核心開發(fā)者之一 Marc Garcia 發(fā)表了一段非常有趣的演講——「走向 Pandas 1.0」。
演講鏈接：https://www.youtube.com/watch?v=hK6o_TDXXN8
用一句話來總結(jié)，Pandas v1.0 主要改善了穩(wěn)定性(如時間序列)并刪除了未使用的代碼庫(如 SparseDataFrame)。
2. 數(shù)據(jù)
讓我們開始吧!選擇「1985 到 2016 年間每個國家的自殺率」作為玩具數(shù)據(jù)集。這個數(shù)據(jù)集足夠簡單，但也足以讓你上手 Pandas。
數(shù)據(jù)集鏈接：
https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016
在深入研究代碼之前，如果你想重現(xiàn)結(jié)果，要先執(zhí)行下面的代碼準(zhǔn)備數(shù)據(jù)，確保列名和類型是正確的。
- import pandas as pd
- import numpy as np
- import os
- # to download https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016
- data_path = 'path/to/folder/'
- df = (pd.read_csv(filepath_or_buffer=os.path.join(data_path, 'master.csv'))
- .rename(columns={'suicides/100k pop' : 'suicides_per_100k', ' gdp_for_year ($) ' : 'gdp_year', 'gdp_per_capita ($)' : 'gdp_capita', 'country-year' : 'country_year'})
- .assign(gdp_year=lambda _df: _df['gdp_year'].str
- .replace(',','').astype(np.int64)) )
提示：如果你讀取了一個大文件，在 read_csv(https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)中參數(shù)設(shè)定為 chunksize=N，這會返回一個可以輸出 DataFrame 對象的迭代器。
這里有一些關(guān)于這個數(shù)據(jù)集的描述：
- >>> df.columnsIndex(['country', 'year', 'sex', 'age', 'suicides_no', 'population', 'suicides_per_100k', 'country_year', 'HDI for year', 'gdp_year', 'gdp_capita', 'generation'], dtype='object')
這里有 101 個國家、年份從 1985 到 2016、兩種性別、六個年代以及六個年齡組。有一些獲得這些信息的方法：
可以用 unique() 和 nunique() 獲取列內(nèi)唯一的值(或唯一值的數(shù)量);
- >>> df['generation'].unique()
- array(['Generation X', 'Silent', 'G.I. Generation', 'Boomers', 'Millenials', 'Generation Z'], dtype=object)
- >>> df['country'].nunique()
- 101
可以用 describe() 輸出每一列不同的統(tǒng)計數(shù)據(jù)(例如最小值、最大值、平均值、總數(shù)等)，如果指定 include='all'，會針對每一列目標(biāo)輸出唯一元素的數(shù)量和出現(xiàn)最多元素的數(shù)量;
可以用 head() 和 tail() 來可視化數(shù)據(jù)框的一小部分。
通過這些方法，你可以迅速了解正在分析的表格文件。
二、內(nèi)存優(yōu)化
在處理數(shù)據(jù)之前，了解數(shù)據(jù)并為數(shù)據(jù)框的每一列選擇合適的類型是很重要的一步。
在內(nèi)部，Pandas 將數(shù)據(jù)框存儲為不同類型的 numpy 數(shù)組(比如一個 float64 矩陣，一個 int32 矩陣)。
有兩種可以大幅降低內(nèi)存消耗的方法。
- import pandas as pd
- def mem_usage(df: pd.DataFrame) -> str:
- """This method styles the memory usage of a DataFrame to be readable as MB. Parameters ---------- df: pd.DataFrame Data frame to measure. Returns ------- str Complete memory usage as a string formatted for MB. """
- return f'{df.memory_usage(deep=True).sum() / 1024 ** 2 : 3.2f} MB'
- def convert_df(df: pd.DataFrame, deep_copy: bool = True) -> pd.DataFrame:
- """Automatically converts columns that are worth stored as ``categorical`` dtype. Parameters ---------- df: pd.DataFrame Data frame to convert. deep_copy: bool Whether or not to perform a deep copy of the original data frame. Returns ------- pd.DataFrame Optimized copy of the input data frame. """
- return df.copy(deep=deep_copy).astype({ col: 'category' for col in df.columns if df[col].nunique() / df[col].shape[0] < 0.5})
Pandas 提出了一種叫做 memory_usage() 的方法，這種方法可以分析數(shù)據(jù)框的內(nèi)存消耗。在代碼中，指定 deep=True 來確?？紤]到了實際的系統(tǒng)使用情況。
memory_usage()：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.memory_usage.html
了解列的類型
(https://pandas.pydata.org/pandas-docs/stable/getting_started/basics.html#basics-dtypes)很重要。它可以通過兩種簡單的方法節(jié)省高達 90% 的內(nèi)存使用：
- 了解數(shù)據(jù)框使用的類型;
- 了解數(shù)據(jù)框可以使用哪種類型來減少內(nèi)存的使用(例如，price 這一列值在 0 到 59 之間，只帶有一位小數(shù)，使用 float64 類型可能會產(chǎn)生不必要的內(nèi)存開銷)
除了降低數(shù)值類型的大小(用 int32 而不是 int64)外，Pandas 還提出了分類類型：https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html
如果你是用 R 語言的開發(fā)人員，你可能覺得它和 factor 類型是一樣的。
這種分類類型允許用索引替換重復(fù)值，還可以把實際值存在其他位置。教科書中的例子是國家。和多次存儲相同的字符串「瑞士」或「波蘭」比起來，為什么不簡單地用 0 和 1 替換它們，并存儲在字典中呢?
- categorical_dict = {0: 'Switzerland', 1: 'Poland'}
Pandas 做了幾乎相同的工作，同時添加了所有的方法，可以實際使用這種類型，并且仍然能夠顯示國家的名稱。
回到 convert_df() 方法，如果這一列中的唯一值小于 50%，它會自動將列類型轉(zhuǎn)換成 category。這個數(shù)是任意的，但是因為數(shù)據(jù)框中類型的轉(zhuǎn)換意味著在 numpy 數(shù)組間移動數(shù)據(jù)，因此我們得到的必須比失去的多。
接下來看看數(shù)據(jù)中會發(fā)生什么。
- >>> mem_usage(df)
- 10.28 MB
- >>> mem_usage(df.set_index(['country', 'year', 'sex', 'age']))
- 5.00 MB
- >>> mem_usage(convert_df(df))
- 1.40 MB
- >>> mem_usage(convert_df(df.set_index(['country', 'year', 'sex', 'age'])))
- 1.40 MB
通過使用「智能」轉(zhuǎn)換器，數(shù)據(jù)框使用的內(nèi)存幾乎減少了 10 倍(準(zhǔn)確地說是 7.34 倍)。
三、索引
Pandas 是強大的，但也需要付出一些代價。當(dāng)你加載 DataFrame 時，它會創(chuàng)建索引并將數(shù)據(jù)存儲在 numpy 數(shù)組中。這是什么意思?一旦加載了數(shù)據(jù)框，只要正確管理索引，就可以快速地訪問數(shù)據(jù)。
訪問數(shù)據(jù)的方法主要有兩種，分別是通過索引和查詢訪問。根據(jù)具體情況，你只能選擇其中一種。但在大多數(shù)情況中，索引(和多索引)都是最好的選擇。我們來看下面的例子：
- >>> %%time
- >>> df.query('country == "Albania" and year == 1987 and sex == "male" and age == "25-34 years"')
- CPU times: user 7.27 ms, sys: 751 µs, total: 8.02 ms
- # ==================
- >>> %%time
- >>> mi_df.loc['Albania', 1987, 'male', '25-34 years']
什么?加速 20 倍?
你要問自己了，創(chuàng)建這個多索引要多長時間?
- %%time
- mi_df = df.set_index(['country', 'year', 'sex', 'age'])
- CPU times: user 10.8 ms, sys: 2.2 ms, total: 13 ms
通過查詢訪問數(shù)據(jù)的時間是 1.5 倍。如果你只想檢索一次數(shù)據(jù)(這種情況很少發(fā)生)，查詢是正確的方法。否則，你一定要堅持用索引，CPU 會為此感激你的。
.set_index(drop=False) 允許不刪除用作新索引的列。
.loc[]/.iloc[] 方法可以很好地讀取數(shù)據(jù)框，但無法修改數(shù)據(jù)框。如果需要手動構(gòu)建(比如使用循環(huán))，那就要考慮其他的數(shù)據(jù)結(jié)構(gòu)了(比如字典、列表等)，在準(zhǔn)備好所有數(shù)據(jù)后，創(chuàng)建 DataFrame。否則，對于 DataFrame 中的每一個新行，Pandas 都會更新索引，這可不是簡單的哈希映射。
- >>> (pd.DataFrame({'a':range(2), 'b': range(2)}, index=['a', 'a']) .loc['a'])
- a b
- a 0 0
- a 1 1
因此，未排序的索引可以降低性能。為了檢查索引是否已經(jīng)排序并對它排序，主要有兩種方法：
- %%time
- >>> mi_df.sort_index()
- CPU times: user 34.8 ms, sys: 1.63 ms, total: 36.5 ms
- >>> mi_df.index.is_monotonicTrue
更多詳情請參閱：
- Pandas 高級索引用戶指南：https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html;
- Pandas 庫中的索引代碼：https://github.com/pandas-dev/pandas/blob/master/pandas/core/indexing.py。
四、方法鏈
使用 DataFrame 的方法鏈?zhǔn)擎溄佣鄠€返回 DataFrame 方法的行為，因此它們都是來自 DataFrame 類的方法。在現(xiàn)在的 Pandas 版本中，使用方法鏈?zhǔn)菫榱瞬淮鎯χ虚g變量并避免出現(xiàn)如下情況：
- import numpy as np
- import pandas as pd
- df = pd.DataFrame({'a_column': [1, -999, -999], 'powerless_column': [2, 3, 4], 'int_column': [1, 1, -1]})
- df['a_column'] = df['a_column'].replace(-999, np.nan)
- df['power_column'] = df['powerless_column'] ** 2
- df['real_column'] = df['int_column'].astype(np.float64)
- dfdf = df.apply(lambda _df: _df.replace(4, np.nan))
- dfdf = df.dropna(how='all')
用下面的鏈替換：
- df = (pd.DataFrame({'a_column': [1, -999, -999],
- 'powerless_column': [2, 3, 4],
- 'int_column': [1, 1, -1]})
- .assign(a_column=lambda _df: _df['a_column'].replace(-999, np.nan))
- .assign(power_column=lambda _df: _df['powerless_column'] ** 2)
- .assign(real_column=lambda _df: _df['int_column'].astype(np.float64))
- .apply(lambda _df: _df.replace(4, np.nan))
- .dropna(how='all') )
說實話，第二段代碼更漂亮也更簡潔。
方法鏈的工具箱是由不同的方法(比如 apply、assign、loc、query、pipe、groupby 以及 agg)組成的，這些方法的輸出都是 DataFrame 對象或 Series 對象(或 DataFrameGroupBy)。
了解它們最好的方法就是實際使用。舉個簡單的例子：
- (df
- .groupby('age')
- .agg({'generation':'unique'})
- .rename(columns={'generation':'unique_generation'})
- # Recommended from v0.25
- # .agg(unique_generation=('generation', 'unique')))
獲得每個年齡范圍中所有唯一年代標(biāo)簽的簡單鏈。
在得到的數(shù)據(jù)框中，「年齡」列是索引
除了了解到「X 代」覆蓋了三個年齡組外，分解這條鏈。第一步是對年齡組分組。這一方法返回了一個 DataFrameGroupBy 對象，在這個對象中，通過選擇組的唯一年代標(biāo)簽聚合了每一組。
在這種情況下，聚合方法是「unique」方法，但它也可以接受任何(匿名)函數(shù)。
在 0.25 版本中，Pandas 引入了使用 agg 的新方法：
https://dev.pandas.io/whatsnew/v0.25.0.html#groupby-aggregation-with-relabeling。
- (df
- .groupby(['country', 'year'])
- .agg({'suicides_per_100k': 'sum'})
- .rename(columns={'suicides_per_100k':'suicides_sum'})
- # Recommended from v0.25
- # .agg(suicides_sum=('suicides_per_100k', 'sum')) .sort_values('suicides_sum', ascending=False) .head(10))
用排序值(sort_values)和 head 得到自殺率排前十的國家和年份
- (df
- .groupby(['country', 'year'])
- .agg({'suicides_per_100k': 'sum'})
- .rename(columns={'suicides_per_100k':'suicides_sum'})
- # Recommended from v0.25
- # .agg(suicides_sum=('suicides_per_100k', 'sum'))
- .nlargest(10, columns='suicides_sum'))
用排序值 nlargest 得到自殺率排前十的國家和年份
在這些例子中，輸出都是一樣的：有兩個指標(biāo)(國家和年份)的 MultiIndex 的 DataFrame，還有包含排序后的 10 個最大值的新列 suicides_sum。
「國家」和「年份」列是索引
nlargest(10) 比 sort_values(ascending=False).head(10) 更有效。
另一個有趣的方法是 unstack：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.unstack.html，這種方法允許轉(zhuǎn)動索引水平。
- (mi_df
- .loc[('Switzerland', 2000)]
- .unstack('sex') [['suicides_no', 'population']])
「age」是索引，列「suicides_no」和「population」都有第二個水平列「sex」。
下一個方法 pipe 是最通用的方法之一。這種方法允許管道運算(就像在 shell 腳本中)執(zhí)行比鏈更多的運算。
管道的一個簡單但強大的用法是記錄不同的信息。
- def log_head(df, head_count=10):
- print(df.head(head_count))
- return df
- def log_columns(df):
- print(df.columns)
- return df
- def log_shape(df):
- print(f'shape = {df.shape}')
- return df
和 pipe 一起使用的不同記錄函數(shù)。
舉個例子，我們想驗證和 year 列相比，country_year 是否正確：
- (df
- .assign(valid_cy=lambda _serie: _serie.apply(
- lambda _row: re.split(r'(?=\d{4})',
- _row['country_year'])[1] == str(_row['year']), axis=1))
- .query('valid_cy == False')
- .pipe(log_shape))
用來驗證「country_year」列中年份的管道。
管道的輸出是 DataFrame，但它也可以在標(biāo)準(zhǔn)輸出(console/REPL)中打印。
- shape = (0, 13)
你也可以在一條鏈中用不同的 pipe。
- (df .pipe(log_shape)
- .query('sex == "female"')
- .groupby(['year', 'country'])
- .agg({'suicides_per_100k':'sum'})
- .pipe(log_shape)
- .rename(columns={'suicides_per_100k':'sum_suicides_per_100k_female'})
- # Recommended from v0.25
- # .agg(sum_suicides_per_100k_female=('suicides_per_100k', 'sum'))
- .nlargest(n=10, columns=['sum_suicides_per_100k_female']))
女性自殺數(shù)量最高的國家和年份。
生成的 DataFrame 如下所示：
索引是「年份」和「國家」
標(biāo)準(zhǔn)輸出的打印如下所示：
- shape = (27820, 12)
- shape = (2321, 1)
除了記錄到控制臺外，pipe 還可以直接在數(shù)據(jù)框的列上應(yīng)用函數(shù)。
- from sklearn.preprocessing import MinMaxScaler
- def norm_df(df, columns):
- return df.assign(**{col: MinMaxScaler().fit_transform(df[[col]].values.astype(float))
- for col in columns})
- for sex in ['male', 'female']:
- print(sex)
- print( df .query(f'sex == "{sex}"')
- .groupby(['country'])
- .agg({'suicides_per_100k': 'sum', 'gdp_year': 'mean'})
- .rename(columns={'suicides_per_100k':'suicides_per_100k_sum', 'gdp_year': 'gdp_year_mean'})
- # Recommended in v0.25
- # .agg(suicides_per_100k=('suicides_per_100k_sum', 'sum'),
- # gdp_year=('gdp_year_mean', 'mean'))
- .pipe(norm_df, columns=['suicides_per_100k_sum', 'gdp_year_mean'])
- .corr(method='spearman') )
- print('\n')
自殺數(shù)量是否和 GDP 的下降相關(guān)?是否和性別相關(guān)?
上面的代碼在控制臺中的打印如下所示：
- male
- suicides_per_100k_sum gdp_year_mean
- suicides_per_100k_sum 1.000000 0.421218
- gdp_year_mean 0.421218 1.000000
- female
- suicides_per_100k_sum gdp_year_mean
- suicides_per_100k_sum 1.000000 0.452343
- gdp_year_mean 0.452343
深入研究代碼。norm_df() 將一個 DataFrame 和用 MinMaxScaling 擴展列的列表當(dāng)做輸入。使用字典理解，創(chuàng)建一個字典 {column_name: method, …}，然后將其解壓為 assign() 函數(shù)的參數(shù) (colunmn_name=method, …)。
在這種特殊情況下，min-max 縮放不會改變對應(yīng)的輸出：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.corr.html，它僅用于參數(shù)。
在(遙遠的?)未來，緩式評估(lazy evaluation)可能出現(xiàn)在方法鏈中，所以在鏈上做一些投資可能是一個好想法。
最后(隨機)的技巧
下面的提示很有用，但不適用于前面的任何部分：
itertuples() 可以更高效地遍歷數(shù)據(jù)框的行;
- >>> %%time
- >>> for row in df.iterrows(): continue
- CPU times: user 1.97 s, sys: 17.3 ms, total: 1.99 s
- >>> for tup in df.itertuples(): continue
- CPU times: user 55.9 ms, sys: 2.85 ms, total: 58.8 ms
注意：tup 是一個 namedtuple
join() 用了 merge();在 Jupyter 筆記本中，在代碼塊的開頭寫上 %%time，可以有效地測量時間;UInt8 類：https://pandas.pydata.org/pandas-docs/stable/user_guide/gotchas.html#support-for-integer-na支持帶有整數(shù)的 NaN 值;
記住，任何密集的 I/O(例如展開大型 CSV 存儲)用低級方法都會執(zhí)行得更好(盡可能多地用 Python 的核心函數(shù))。
還有一些本文沒有涉及到的有用的方法和數(shù)據(jù)結(jié)構(gòu)，這些方法和數(shù)據(jù)結(jié)構(gòu)都很值得花時間去理解：
- 數(shù)據(jù)透視表：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.pivot.html?source=post_page
- 時間序列/日期功能：https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html?source=post_page;
- 繪圖：https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html?source=post_page。
總結(jié)
希望你可以因為這篇簡短的文章，更好地理解 Pandas 背后的工作原理，以及 Pandas 庫的發(fā)展現(xiàn)狀。本文還展示了不同的用于優(yōu)化數(shù)據(jù)框內(nèi)存以及快速分析數(shù)據(jù)的工具。希望對現(xiàn)在的你來說，索引和查找的概念能更加清晰。最后，你還可以試著用方法鏈寫更長的鏈。
這里還有一些筆記：https://github.com/unit8co/medium-pandas-wan?source=post_page
除了文中的所有代碼外，還包括簡單數(shù)據(jù)索引數(shù)據(jù)框(df)和多索引數(shù)據(jù)框(mi_df)性能的定時指標(biāo)。
熟能生巧，所以繼續(xù)修煉技能，并幫助我們建立一個更好的世界吧。
PS：有時候純用 Numpy 會更快。
原文鏈接：
https://medium.com/unit8-machine-learning-publication/from-pandas-wan-to-pandas-master-4860cf0ce442
【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】
