6个冷门但实用的pandas知识点

1 简介

　　pandas作为开展数据分析的利器，蕴含了与数据处理相关的丰富多样的API，使得我们可以灵活方便地对数据进行各种加工，但很多pandas中的实用方法其实大部分人都是不知道的，今天就来给大家介绍6个不太为人们所所熟知的实用pandas小技巧。

图1

2 6个实用的pandas小知识

2.1 Series与DataFrame的互转

　　很多时候我们计算过程中产生的结果是Series格式的，而接下来的很多操作尤其是使用链式语法时，需要衔接着传入DataFrame格式的变量，这种时候我们就可以使用到pandas中Series向DataFrame转换的方法：

• 利用to_frame()实现Series转DataFrame

s = pd.Series([0, 1, 2])

# Series转为DataFrame，name参数用于指定转换后的字段名
s = s.to_frame(name='列名')
s

图2

　　顺便介绍一下单列数据组成的数据框转为Series的方法：

• 利用squeeze()实现单列数据DataFrame转Series

# 只有单列数据的DataFrame转为Series
s.squeeze()

图3

2.2 随机打乱DataFrame的记录行顺序

　　有时候我们需要对数据框整体的行顺序进行打乱，譬如在训练机器学习模型时，打乱原始数据顺序后取前若干行作为训练集后若干行作为测试集，这在pandas中可以利用sample()方法快捷实现。

　　sample()方法的本质功能是从原始数据中抽样行记录，默认为不放回抽样，其参数frac用于控制抽样比例，我们将其设置为1则等价于打乱顺序：

df = pd.DataFrame({
    'V1': range(5),
    'V2': range(5)
})
df.sample(frac=1)

图4

2.3 利用类别型数据减少内存消耗

　　当我们的数据框中某些列是由少数几种值大量重复形成时，会消耗大量的内存，就像下面的例子一样：

import numpy as np

pool = ['A', 'B', 'C', 'D']

# V1列由ABCD大量重复形成
df = pd.DataFrame({
    'V1': np.random.choice(pool, 1000000)
})

# 查看内存使用情况
df.memory_usage(deep=True)

图5　　

　　这种时候我们可以使用到pandas数据类型中的类别型来极大程度上减小内存消耗：

df['V1'] = df['V1'].astype('category')
df.memory_usage(deep=True)

图6　　

　　可以看到，转换类型之后内存消耗减少了将近98.3%！

2.4 pandas中的object类型陷阱

　　在日常使用pandas处理数据的过程中，经常会遇到object这种数据类型，很多初学者都会把它视为字符串，事实上object在pandas中可以代表不确定的数据类型，即类型为object的Series中可以混杂着多种数据类型：

s = pd.Series(['111100', '111100', 111100, '111100'])
s

图7

　　查看类型分布：

s.apply(lambda s: type(s))

图8

　　这种情况下，如果贸然当作字符串列来处理，对应的无法处理的元素只会变成缺失值而不报错，给我们的分析过程带来隐患：

s.str.replace('00', '11')

图9

　　这种时候就一定要先转成对应的类型，再执行相应的方法：

s.astype('str').str.replace('00', '11')

图10

2.5 快速判断每一列是否有缺失值

　　在pandas中我们可以对单个Series查看hanans属性来了解其是否包含缺失值，而结合apply()，我们就可以快速查看整个数据框中哪些列含有缺失值：

df = pd.DataFrame({
    'V1': [1, 2, None, 4],
    'V2': [1, 2, 3, 4],
    'V3': [None, 1, 2, 3]
})

df.apply(lambda s: s.hasnans)

图11

2.6 使用rank()计算排名时的五种策略

　　在pandas中我们可以利用rank()方法计算某一列数据对应的排名信息，但在rank()中有参数method来控制具体的结果计算策略，有以下5种策略，在具体使用的时候要根据需要灵活选择：

• average

　　在average策略下，相同数值的元素的排名是其内部排名的均值：

s = pd.Series([1, 2, 2, 2, 3, 4, 4, 5, 6])
s.rank(method='average')

图12

• min

　　在min策略下，相同元素的排名为其内部排名的最小值：

s.rank(method='min')

图13

• max

　　max策略与min正好相反，取的是相同元素内部排名的最大值：

s.rank(method='max')

图14

• dense

　　在dense策略下，相当于对序列去重后进行排名，再将每个元素的排名赋给相同的每个元素，这种方式也是比较贴合实际需求的：

s.rank(method='dense')

图15

• first

　　在first策略下，当多个元素相同时，会根据这些相同元素在实际Series中的顺序分配排名：

s = pd.Series([2, 2, 2, 1, 3])
s.rank(method='first')

图16

---

　　关于pandas还有很多实用的小知识，以后会慢慢给大家不定期分享~欢迎在评论区与我进行讨论