酷应用

加速数据分析，这12种高效Numpy和Pandas函数为你保驾护航

百家作者：数据分析 2020-03-27 08:34:03

选自TowardsDataScience 作者：Kunal Dhariwal. 机器之心编译 ?参与：Jamin、杜伟、张倩

我们都知道，Numpy 是 Python 环境下的扩展程序库，支持大量的维度数组和矩阵运算；Pandas 也是 Python 环境下的数据操作和分析软件包，以及强大的数据分析库。二者在日常的数据分析中都发挥着重要作用，如果没有 Numpy 和 Pandas 的支持，数据分析将变得异常困难。但有时我们需要加快数据分析的速度，有什么办法可以帮助到我们吗？

在本文中，数据和分析工程师 Kunal Dhariwal 为我们介绍了?12 种 Numpy 和 Pandas 函数，这些高效的函数会令数据分析更为容易、便捷。最后，读者也可以在 GitHub 项目中找到本文所用代码的 Jupyter Notebook。

项目地址：https://github.com/kunaldhariwal/12-Amazing-Pandas-NumPy-Functions

Numpy 的 6 种高效函数

首先从 Numpy 开始。Numpy 是用于科学计算的 Python 语言扩展包，通常包含强大的 N 维数组对象、复杂函数、用于整合 C/C++和 Fortran 代码的工具以及有用的线性代数、傅里叶变换和随机数生成能力。

除了上面这些明显的用途，Numpy 还可以用作通用数据的高效多维容器（container），定义任何数据类型。这使得 Numpy 能够实现自身与各种数据库的无缝、快速集成。

接下来一一解析 6 种 Numpy 函数。

argpartition()

借助于 argpartition()，Numpy 可以找出 N 个最大数值的索引，也会将找到的这些索引输出。然后我们根据需要对数值进行排序。

x?=?np.array([12,?10,?12,?0,?6,?8,?9,?1,?16,?4,?6,?0])index_val?=?np.argpartition(x,?-4)[-4:]
index_val
array([1,?8,?2,?0],?dtype=int64)np.sort(x[index_val])
array([10,?12,?12,?16])

allclose()

allclose() 用于匹配两个数组，并得到布尔值表示的输出。如果在一个公差范围内（within a tolerance）两个数组不等同，则 allclose() 返回 False。该函数对于检查两个数组是否相似非常有用。

array1?=?np.array([0.12,0.17,0.24,0.29])
array2?=?np.array([0.13,0.19,0.26,0.31])#?with?a?tolerance?of?0.1,?it?should?return?False:
np.allclose(array1,array2,0.1)
False#?with?a?tolerance?of?0.2,?it?should?return?True:
np.allclose(array1,array2,0.2)
True

clip()

Clip() 使得一个数组中的数值保持在一个区间内。有时，我们需要保证数值在上下限范围内。为此，我们可以借助 Numpy 的 clip() 函数实现该目的。给定一个区间，则区间外的数值被剪切至区间上下限（interval edge）。

x?=?np.array([3,?17,?14,?23,?2,?2,?6,?8,?1,?2,?16,?0])np.clip(x,2,5)
array([3,?5,?5,?5,?2,?2,?5,?5,?2,?2,?5,?2])

extract()

顾名思义，extract() 是在特定条件下从一个数组中提取特定元素。借助于 extract()，我们还可以使用 and 和 or 等条件。

#?Random?integers
array?=?np.random.randint(20,?size=12)
array
array([?0,??1,??8,?19,?16,?18,?10,?11,??2,?13,?14,??3])#??Divide?by?2?and?check?if?remainder?is?1
cond?=?np.mod(array,?2)==1
cond
array([False,??True,?False,??True,?False,?False,?False,??True,?False,?True,?False,??True])#?Use?extract?to?get?the?values
np.extract(cond,?array)
array([?1,?19,?11,?13,??3])#?Apply?condition?on?extract?directly
np.extract(((array?<?3)?|?(array?>?15)),?array)
array([?0,??1,?19,?16,?18,??2])

where()

Where() 用于从一个数组中返回满足特定条件的元素。比如，它会返回满足特定条件的数值的索引位置。Where() 与 SQL 中使用的 where condition 类似，如以下示例所示：

y?=?np.array([1,5,6,8,1,7,3,6,9])#?Where?y?is?greater?than?5,?returns?index?position
np.where(y>5)
array([2,?3,?5,?7,?8],?dtype=int64),)#?First?will?replace?the?values?that?match?the?condition,?
#?second?will?replace?the?values?that?does?not
np.where(y>5,?"Hit",?"Miss")
array(['Miss',?'Miss',?'Hit',?'Hit',?'Miss',?'Hit',?'Miss',?'Hit',?'Hit'],dtype='<U4')

percentile()

Percentile() 用于计算特定轴方向上数组元素的第 n 个百分位数。

a?=?np.array([1,5,6,8,1,7,3,6,9])print("50th?Percentile?of?a,?axis?=?0?:?",??
??????np.percentile(a,?50,?axis?=0))
50th?Percentile?of?a,?axis?=?0?:??6.0b?=?np.array([[10,?7,?4],?[3,?2,?1]])print("30th?Percentile?of?b,?axis?=?0?:?",??
??????np.percentile(b,?30,?axis?=0))
30th?Percentile?of?b,?axis?=?0?:??[5.1?3.5?1.9]

这就是 Numpy 扩展包的 6 种高效函数，相信会为你带来帮助。接下来看一看 Pandas 数据分析库的 6 种函数。

Pandas 数据统计包的 6 种高效函数

Pandas 也是一个 Python 包，它提供了快速、灵活以及具有显著表达能力的数据结构，旨在使处理结构化 (表格化、多维、异构) 和时间序列数据变得既简单又直观。

Pandas 适用于以下各类数据:

具有异构类型列的表格数据，如 SQL 表或 Excel 表；
有序和无序 (不一定是固定频率) 的时间序列数据；
带有行/列标签的任意矩阵数据（同构类型或者是异构类型）；
其他任意形式的统计数据集。事实上，数据根本不需要标记就可以放入 Pandas 结构中。

Pandas 擅长处理的类型如下所示：

容易处理浮点数据和非浮点数据中的缺失数据（用 NaN 表示）；
大小可调整性: 可以从 DataFrame 或者更高维度的对象中插入或者是删除列；
显式数据可自动对齐: 对象可以显式地对齐至一组标签内，或者用户可以简单地选择忽略标签，使 Series、 DataFrame 等自动对齐数据；
灵活的分组功能，对数据集执行拆分-应用-合并等操作，对数据进行聚合和转换；
简化将数据转换为 DataFrame 对象的过程，而这些数据基本是 Python 和 NumPy 数据结构中不规则、不同索引的数据；
基于标签的智能切片、索引以及面向大型数据集的子设定；
更加直观地合并以及连接数据集；
更加灵活地重塑、转置（pivot）数据集；
轴的分级标记 (可能包含多个标记)；
具有鲁棒性的 IO 工具，用于从平面文件 (CSV 和 delimited)、 Excel 文件、数据库中加在数据，以及从 HDF5 格式中保存 / 加载数据；
时间序列的特定功能: 数据范围的生成以及频率转换、移动窗口统计、数据移动和滞后等。

read_csv(nrows=n)

大多数人都会犯的一个错误是，在不需要.csv 文件的情况下仍会完整地读取它。如果一个未知的.csv 文件有 10GB，那么读取整个.csv 文件将会非常不明智，不仅要占用大量内存，还会花很多时间。我们需要做的只是从.csv 文件中导入几行，之后根据需要继续导入。

import?io
import?requests#?I?am?using?this?online?data?set?just?to?make?things?easier?for?you?guys
url?=?"https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv"
s?=?requests.get(url).content#?read?only?first?10?rows
df?=?pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10?,?index_col=0)

map()

map( ) 函数根据相应的输入来映射 Series 的值。用于将一个 Series 中的每个值替换为另一个值，该值可能来自一个函数、也可能来自于一个 dict 或 Series。

#?create?a?dataframe
dframe?=?pd.DataFrame(np.random.randn(4,?3),?columns=list('bde'),?index=['India',?'USA',?'China',?'Russia'])#compute?a?formatted?string?from?each?floating?point?value?in?frame
changefn?=?lambda?x:?'%.2f'?%?x#?Make?changes?element-wise
dframe['d'].map(changefn)

apply()

apply() 允许用户传递函数，并将其应用于 Pandas 序列中的每个值。

#?max?minus?mix?lambda?fn
fn?=?lambda?x:?x.max()?-?x.min()#?Apply?this?on?dframe?that?we've?just?created?above
dframe.apply(fn)

isin()

lsin () 用于过滤数据帧。Isin () 有助于选择特定列中具有特定（或多个）值的行。

#?Using?the?dataframe?we?created?for?read_csv
filter1?=?df["value"].isin([112])?
filter2?=?df["time"].isin([1949.000000])df?[filter1?&?filter2]

copy()

Copy () 函数用于复制 Pandas 对象。当一个数据帧分配给另一个数据帧时，如果对其中一个数据帧进行更改，另一个数据帧的值也将发生更改。为了防止这类问题，可以使用 copy () 函数。

#?creating?sample?series?
data?=?pd.Series(['India',?'Pakistan',?'China',?'Mongolia'])#?Assigning?issue?that?we?face
data1=?data
#?Change?a?value
data1[0]='USA'
#?Also?changes?value?in?old?dataframe
data#?To?prevent?that,?we?use
#?creating?copy?of?series?
new?=?data.copy()#?assigning?new?values?
new[1]='Changed?value'#?printing?data?
print(new)?
print(data)

select_dtypes()

select_dtypes() 的作用是，基于 dtypes 的列返回数据帧列的一个子集。这个函数的参数可设置为包含所有拥有特定数据类型的列，亦或者设置为排除具有特定数据类型的列。

#?We'll?use?the?same?dataframe?that?we?used?for?read_csv
framex?=??df.select_dtypes(include="float64")#?Returns?only?time?column

最后，pivot_table( ) 也是 Pandas 中一个非常有用的函数。如果对 pivot_table( ) 在 excel 中的使用有所了解，那么就非常容易上手了。

#?Create?a?sample?dataframe
school?=?pd.DataFrame({'A':?['Jay',?'Usher',?'Nicky',?'Romero',?'Will'],?
??????'B':?['Masters',?'Graduate',?'Graduate',?'Masters',?'Graduate'],?
??????'C':?[26,?22,?20,?23,?24]})#?Lets?create?a?pivot?table?to?segregate?students?based?on?age?and?course
table?=?pd.pivot_table(school,?values?='A',?index?=['B',?'C'],?
?????????????????????????columns?=['B'],?aggfunc?=?np.sum,?fill_value="Not?Available")?

table