亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

分享20個Pandas短小精悍的數(shù)據(jù)操作

 更新時間：2022年04月25日 09:21:15   作者：東哥起飛  
本文為大家整理了一個pandas數(shù)據(jù)操作的大集合，共20個功能，個個短小精悍，一次讓你愛個夠，感興趣的小伙伴快跟隨小編一起學習一下吧

1. ExcelWriter

很多時候dataframe里面有中文，如果直接輸出到csv里，中文將顯示亂碼。而Excel就不一樣了，ExcelWriter是pandas的一個類，可以使dataframe數(shù)據(jù)框直接輸出到excel文件，并可以指定sheets名稱。

df1?=?pd.DataFrame([["AAA",?"BBB"]],?columns=["Spam",?"Egg"])
df2?=?pd.DataFrame([["ABC",?"XYZ"]],?columns=["Foo",?"Bar"])
with?ExcelWriter("path_to_file.xlsx")?as?writer:
????df1.to_excel(writer,?sheet_name="Sheet1")
????df2.to_excel(writer,?sheet_name="Sheet2")

如果有時間變量，輸出時還可以date_format指定時間的格式。另外，它還可以通過mode設(shè)置輸出到已有的excel文件中，非常靈活。

with?ExcelWriter("path_to_file.xlsx",?mode="a",?engine="openpyxl")?as?writer:
????df.to_excel(writer,?sheet_name="Sheet3")

2. pipe

pipe管道函數(shù)可以將多個自定義函數(shù)裝進同一個操作里，讓整個代碼更簡潔，更緊湊。

比如，我們在做數(shù)據(jù)清洗的時候，往往代碼會很亂，有去重、去異常值、編碼轉(zhuǎn)換等等。如果使用pipe，將是這樣子的。

diamonds?=?sns.load_dataset("diamonds")

df_preped?=?(diamonds.pipe(drop_duplicates).
??????????????????????pipe(remove_outliers,?['price',?'carat',?'depth']).
??????????????????????pipe(encode_categoricals,?['cut',?'color',?'clarity'])
????????????)

兩個字，干凈！

3. factorize

factorize這個函數(shù)類似sklearn中LabelEncoder，可以實現(xiàn)同樣的功能。

#?Mind?the?[0]?at?the?end
diamonds["cut_enc"]?=?pd.factorize(diamonds["cut"])[0]

>>>?diamonds["cut_enc"].sample(5)

52103????2
39813????0
31843????0
10675????0
6634?????0
Name:?cut_enc,?dtype:?int64

區(qū)別是，factorize返回一個二值元組：編碼的列和唯一分類值的列表。

codes,?unique?=?pd.factorize(diamonds["cut"],?sort=True)

>>>?codes[:10]
array([0,?1,?3,?1,?3,?2,?2,?2,?4,?2],?dtype=int64)

>>>?unique
['Ideal',?'Premium',?'Very?Good',?'Good',?'Fair']

4. explode

explode爆炸功能，可以將array-like的值比如列表，炸開轉(zhuǎn)換成多行。

data?=?pd.Series([1,?6,?7,?[46,?56,?49],?45,?[15,?10,?12]]).to_frame("dirty")

data.explode("dirty",?ignore_index=True)

圖片

5. squeeze

很多時候，我們用.loc篩選想返回一個值，但返回的卻是個series。其實，只要使用.squeeze()即可完美解決。比如：

#?沒使用squeeze
subset?=?diamonds.loc[diamonds.index?<?1,?["price"]]
#?使用squeeze
subset.squeeze("columns")

圖片

可以看到，壓縮完結(jié)果已經(jīng)是int64的格式了，而不再是series。

6. between

dataframe的篩選方法有很多，常見的loc、isin等等，但其實還有個及其簡潔的方法，專門篩選數(shù)值范圍的，就是between，用法很簡單。

diamonds[diamonds["price"]\
??????.between(3500,?3700,?inclusive="neither")].sample(5)

圖片

7. T

這是所有的dataframe都有的一個簡單屬性，實現(xiàn)轉(zhuǎn)置功能。它在顯示describe時可以很好的搭配。

boston.describe().T.head(10)

圖片

8. pandas styler

pandas也可以像excel一樣，設(shè)置表格的可視化條件格式，而且只需要一行代碼即可（可能需要一丟丟的前端HTML和CSS基礎(chǔ)知識）。

>>>?diabetes.describe().T.drop("count",?axis=1)\
?????????????????.style.highlight_max(color="darkred")

圖片

當然了，條件格式有非常多種。

9. Pandas options

pandas里提供了很多宏設(shè)置選項，被分為下面5大類。

dir(pd.options)
['compute',?'display',?'io',?'mode',?'plotting']

一般情況下使用display會多一點，比如最大、最小顯示行數(shù)，畫圖方法，顯示精度等等。

pd.options.display.max_columns?=?None
pd.options.display.precision?=?5

10. convert_dtypes

經(jīng)常使用pandas的都知道，pandas對于經(jīng)常會將變量類型直接變成object，導致后續(xù)無法正常操作。這種情況可以用convert_dtypes進行批量的轉(zhuǎn)換，它會自動推斷數(shù)據(jù)原來的類型，并實現(xiàn)轉(zhuǎn)換。

sample?=?pd.read_csv(
????"data/station_day.csv",
????usecols=["StationId",?"CO",?"O3",?"AQI_Bucket"],
)

>>>?sample.dtypes

StationId??????object
CO????????????float64
O3????????????float64
AQI_Bucket?????object
dtype:?object

>>>?sample.convert_dtypes().dtypes

StationId??????string
CO????????????float64
O3????????????float64
AQI_Bucket?????string
dtype:?object

11. select_dtypes

在需要篩選變量類型的時候，可以直接用selec _dtypes，通過include和exclude篩選和排除變量的類型。

#?選擇數(shù)值型的變量
diamonds.select_dtypes(include=np.number).head()
#?排除數(shù)值型的變量
diamonds.select_dtypes(exclude=np.number).head()

12. mask

mask可以在自定義條件下快速替換單元值，在很多三方庫的源碼中經(jīng)常見到。比如下面我們想讓age為50-60以外的單元為空，只需要在con和ohter寫好自定義的條件即可。

ages?=?pd.Series([55,?52,?50,?66,?57,?59,?49,?60]).to_frame("ages")

ages.mask(cond=~ages["ages"].between(50,?60),?other=np.nan)

圖片

13. 列軸的min、max

雖然大家都知道min和max的功能，但應用在列上的應該不多見。這對函數(shù)其實還可以這么用：

index?=?["Diamonds",?"Titanic",?"Iris",?"Heart?Disease",?"Loan?Default"]
libraries?=?["XGBoost",?"CatBoost",?"LightGBM",?"Sklearn?GB"]

df?=?pd.DataFrame(
????{lib:?np.random.uniform(90,?100,?5)?for?lib?in?libraries},?index=index
)

>>>?df

圖片

>>>?df.max(axis=1)

Diamonds?????????99.52684
Titanic??????????99.63650
Iris?????????????99.10989
Heart?Disease????99.31627
Loan?Default?????97.96728
dtype:?float64

14. nlargest、nsmallest

有時我們不僅想要列的最小值/最大值，還想看變量的前 N 個或 ~(top N) 個值。這時nlargest和nsmallest就派上用場了。

diamonds.nlargest(5,?"price")

圖片

15. idmax、idxmin

我們用列軸使用max或min時，pandas 會返回最大/最小的值。但我現(xiàn)在不需要具體的值了，我需要這個最大值的位置。因為很多時候要鎖定位置之后對整個行進行操作，比如單提出來或者刪除等，所以這種需求還是很常見的。

使用idxmax和idxmin即可解決。

>>>?diamonds.price.idxmax()
27749

>>>?diamonds.carat.idxmin()
14

16. value_counts

在數(shù)據(jù)探索的時候，value_counts是使用很頻繁的函數(shù)，它默認是不統(tǒng)計空值的，但空值往往也是我們很關(guān)心的。如果想統(tǒng)計空值，可以將參數(shù)dropna設(shè)置為False。

ames_housing?=?pd.read_csv("data/train.csv")

>>>?ames_housing["FireplaceQu"].value_counts(dropna=False,?normalize=True)

NaN????0.47260
Gd?????0.26027
TA?????0.21438
Fa?????0.02260
Ex?????0.01644
Po?????0.01370
Name:?FireplaceQu,?dtype:?float64

17. clip

異常值檢測是數(shù)據(jù)分析中常見的操作。使用clip函數(shù)可以很容易地找到變量范圍之外的異常值，并替換它們。

>>>?age.clip(50,?60)

圖片

18. at_time、between_time

在有時間粒度比較細的時候，這兩個函數(shù)超級有用。因為它們可以進行更細化的操作，比如篩選某個時點，或者某個范圍時間等，可以細化到小時分鐘。

>>>?data.at_time("15:00")

圖片

from?datetime?import?datetime

>>>?data.between_time("09:45",?"12:00")

圖片

19. hasnans

pandas提供了一種快速方法hasnans來檢查給定series是否包含空值。

series?=?pd.Series([2,?4,?6,?"sadf",?np.nan])

>>>?series.hasnans
True

該方法只適用于series的結(jié)構(gòu)。

20. GroupBy.nth

此功能僅適用于GroupBy對象。具體來說，分組后，nth返回每組的第n行：

>>>?diamonds.groupby("cut").nth(5)

圖片

到此這篇關(guān)于分享20個Pandas短小精悍的數(shù)據(jù)操作的文章就介紹到這了,更多相關(guān)Pandas數(shù)據(jù)操作內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

  • 5個Python使用F-String進行格式化的實用技巧分享

    5個Python使用F-String進行格式化的實用技巧分享

    F-String（格式化字符串字面值）是在Python?3.6中引入的,它是一種非常強大且靈活的字符串格式化方法,本文總結(jié)了5個實用的F-String技巧,相信一定能讓你的代碼輸出更加的美觀,快跟隨小編一起學習起來吧
    2024-03-03
  • Python如何存儲數(shù)據(jù)到json文件

    Python如何存儲數(shù)據(jù)到json文件

    這篇文章主要介紹了Python如何存儲數(shù)據(jù)到json文件,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2020-03-03
  • Python繪制專業(yè)的K線圖 源代碼解析

    Python繪制專業(yè)的K線圖 源代碼解析

    這篇文章主要介紹了Python繪制專業(yè)的K線圖，使用Python繪制一幅專業(yè)的K線圖，是量化投資和金融數(shù)據(jù)分析的必備功課。下面我將從K線圖簡介、數(shù)據(jù)獲取、K線圖繪制及成交量繪制等方面，結(jié)合源代碼，一步步實現(xiàn)專業(yè)K線圖的繪制,需要的朋友可以參考下
    2021-10-10
  • Mac下PyCharm快捷鍵分享

    Mac下PyCharm快捷鍵分享

    這篇文章主要介紹了Mac下PyCharm快捷鍵，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
    2023-04-04
  • python 求1-100之間的奇數(shù)或者偶數(shù)之和的實例

    python 求1-100之間的奇數(shù)或者偶數(shù)之和的實例

    今天小編就為大家分享一篇python 求1-100之間的奇數(shù)或者偶數(shù)之和的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-06-06
  • Python數(shù)據(jù)類型之Dict字典實例詳解

    Python數(shù)據(jù)類型之Dict字典實例詳解

    這篇文章主要介紹了Python數(shù)據(jù)類型之Dict字典,結(jié)合具體實例形式詳細分析了Python字典的概念、原理、定義、元素添加、刪除、遍歷等相關(guān)操作技巧,需要的朋友可以參考下
    2019-05-05
  • python 已知一個字符,在一個list中找出近似值或相似值實現(xiàn)模糊匹配

    python 已知一個字符,在一個list中找出近似值或相似值實現(xiàn)模糊匹配

    今天小編就為大家分享一篇python 已知一個字符,在一個list中找出近似值或相似值實現(xiàn)模糊匹配，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-02-02
  • python新式類和經(jīng)典類的區(qū)別實例分析

    python新式類和經(jīng)典類的區(qū)別實例分析

    這篇文章主要介紹了python新式類和經(jīng)典類的區(qū)別,結(jié)合實例形式分析了python新式類和經(jīng)典類的功能、區(qū)別與使用方法,需要的朋友可以參考下
    2020-03-03
  • Python開發(fā)游戲之井字游戲的實戰(zhàn)步驟

    Python開發(fā)游戲之井字游戲的實戰(zhàn)步驟

    最近正在學習Python,所以最近做了一個關(guān)于Python的實例,下面這篇文章主要給大家介紹了關(guān)于Python開發(fā)游戲之井字游戲的相關(guān)資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下
    2023-02-02
  • Python操作mongodb的9個步驟

    Python操作mongodb的9個步驟

    本篇文章給大家詳細分享了Python操作mongodb的詳細步驟以及實例代碼，有需要的朋友參考學習下吧。
    2018-06-06

最新評論