做网站端口内容无法替换,wordpress 评论验证码,网站模板网站,微信开放平台的开发者身份认证Pandas是数据操作、分析和可视化的重要工具#xff0c;有效地使用Pandas可能具有挑战性#xff0c;从使用向量化操作到利用内置函数#xff0c;这些最佳实践可以帮助数据科学家使用Pandas快速准确地分析和可视化数据。
图片
在本文中#xff0c;我们将重点介绍在DataFram…Pandas是数据操作、分析和可视化的重要工具有效地使用Pandas可能具有挑战性从使用向量化操作到利用内置函数这些最佳实践可以帮助数据科学家使用Pandas快速准确地分析和可视化数据。
图片
在本文中我们将重点介绍在DataFrame上经常执行的两个最常见的任务特别是在数据科学项目的数据操作阶段。这两项任务是有效地选择特定的和随机的行和列以及使用replace()函数使用列表和字典替换一个或多个值。
在本文中我们将使用下面的数据集:
扑克牌游戏数据集
婴儿名字数据集
我们使用的第一个数据集是扑克牌游戏数据集如下所示。
poker_data pd.read_csv(‘poker_hand.csv’) poker_data.head() 图片
在每个回合中每个玩家手里有五张牌每一张牌都有花色红心、方块、梅花或黑桃以及它的数字范围从1到13。该数据集由一个人可以拥有的五张卡片的每一种可能组合组成。
Sn:第n张牌的符号其中:1(红心)2(方块)3(梅花)4(黑桃)
Rn:第n张牌的排名其中:1(王牌)2-10,11(J)12(Q)13(K)
第二个数据集是流行的婴儿名字数据集其中包括2011年至2016年间最流行的新生儿名字
names pd.read_csv(‘Popular_Baby_Names.csv’) names.head() 图片
该数据集还包括按年份、性别和种族划分的美国最受欢迎的名字。例如2011年Chloe 这个名字在所有亚裔和太平洋岛民女性新生儿中排名第二。
下面我们开始进入正题
为什么需要高效的代码? 高效代码是指执行速度更快、计算容量更低的代码。在本文中我们将使用time()函数来测量计算时间我们通过在执行前和执行后获取时间然后计算其差值获得代码的执行时间。下面是一个简单的例子:
import time
record time before execution
start_time time.time()
execute operation
result 5 2
record time after execution
end_time time.time() print(“Result calculated in {} sec”.format(end_time - start_time)) 让我们看一个提高代码运行时间并降低计算时间复杂度的示例:我们将计算每个数字的平方从0到100万。首先我们将使用列表推导式来执行此操作然后使用for循环重复相同的过程。
首先使用列表推导式:
#using List comprehension
list_comp_start_time time.time() result [i*i for i in range(0,1000000)] list_comp_end_time time.time() print(“Time using the list_comprehension: {} sec”.format(list_comp_end_time - list_comp_start_time)) 图片
使用for循环来执行相同的操作:
Using For loop
for_loop_start_time time.time() result[] for i in range(0,1000000): result.append(i*i) for_loop_end_time time.time() print(“Time using the for loop: {} sec”.format(for_loop_end_time - for_loop_start_time)) 图片
可以看到它们之间有很大的差异我们可以用百分比来计算它们之间的差异:
list_comp_time list_comp_end_time - list_comp_start_time for_loop_time for_loop_end_time - for_loop_start_time print(“Difference in time: {} %”.format((for_loop_time - list_comp_time)/ list_comp_time*100)) 图片
可以看到仅仅使用了不同的方法但是在执行效率方面有了很大的不同。
使用.iloc[]和.loc[]选择行和列 这里我们将介绍如何使用.iloc[] .loc[] pandas函数从数据中高效地定位和选择行。我们将使用iloc[]作为索引号定位器使用loc[]作为索引名定位器。
在下面的例子中我们选择扑克数据集的前500行。首先使用.loc[]函数然后使用.iloc[]函数。
rows range(0, 500)
Time selecting rows using .loc[]
loc_start_time time.time() poker_data.loc[rows] loc_end_time time.time() print(“Time using .loc[] : {} sec”.format(loc_end_time - loc_start_time)) 图片
rows range(0, 500)
Time selecting rows using .iloc[]
iloc_start_time time.time() poker_data.iloc[rows] iloc_end_time time.time() print(“Time using .iloc[]: {} sec”.format(iloc_end_time - iloc_start_time)) 图片
loc_comp_time loc_end_time - loc_start_time iloc_comp_time iloc_end_time - iloc_start_time print(“Difference in time: {} %”.format((loc_comp_time - iloc_comp_time)/ iloc_comp_time*100)) 图片
虽然这两个方法使用的方式是相同的但iloc[]的执行速度比loc[]快近70%。这是因为.iloc[]函数利用了索引的顺序索引已经排序因此速度更快。
我们还可以使用它们来选择列而不仅仅是行。在下一个示例中我们将使用这两种方法选择前三列。
iloc_start_time time.time() poker_data.iloc[:,:3] iloc_end_time time.time() print(“Time using .iloc[]: {} sec”.format(iloc_end_time - iloc_start_time)) 图片
names_start_time time.time() poker_data[[‘S1’, ‘R1’, ‘S2’]] names_end_time time.time() print(“Time using selection by name: {} sec”.format(names_end_time - names_start_time)) 图片
loc_comp_time names_end_time - names_start_time iloc_comp_time iloc_end_time - iloc_start_time print(“Difference in time: {} %”.format((loc_comp_time - iloc_comp_time)/ loc_comp_time*100)) 图片
可以看到使用.iloc[]进行列索引仍然要快80%。所以最好使用.iloc[]因为它更快除非使用loc[]更容易按名称选择某些列。
替换DF中的值 替换DataFrame中的值是一项非常重要的任务特别是在数据清理阶段。
让我们来看看之前加载的婴儿名字数据集:
图片
首先看看性别列:
names[‘Gender’].unique() 图片
我们可以看到女性用大写和小写两个值表示。这在实际数据中非常常见但是对于我们来说只需要一个统一的表示就可以了所以我们需要将其中一个值替换为另一个值。这里有两种方法第一种是简单地定义我们想要替换的值然后我们想用什么替换它们。如下面的代码所示:
start_time time.time() names[‘Gender’].loc[names.Gender‘female’] ‘FEMALE’ end_time time.time()
pandas_time end_time - start_time print(“Replace values using .loc[]: {} sec”.format(pandas_time)) 图片
第二种方法是使用panda的内置函数.replace()如下所示:
start_time time.time() names[‘Gender’].replace(‘female’, ‘FEMALE’, inplaceTrue) end_time time.time() replace_time end_time - start_time
print(“Time using replace(): {} sec”.format(replace_time)) 图片
可以看到与使用.loc()方法查找值的行和列索引并替换它相比内置函数的快了157%。
print(‘The differnce: {} %’.format((pandas_time- replace_time )/replace_time*100)) 图片
我们还可以使用列表替换多个值。比如说将所有WHITE NON-HISPANIC或WHITE NON-HISP都改为WNH。这里我们使用.loc[]函数和’ or 语句定位我们正在寻找的种族。然后进行替换赋值。
start_time time.time()
names[‘Ethnicity’].loc[(names[“Ethnicity”] ‘WHITE NON HISPANIC’) | (names[“Ethnicity”] ‘WHITE NON HISP’)] ‘WNH’
end_time time.time() pandas_time end_time - start_time print(“Results from the above operation calculated in %s seconds” %(pandas_time)) 图片
或者使用pandas内置.replace() 函数执行相同的操作如下所示:
start_time time.time() names[‘Ethnicity’].replace([‘WHITE NON HISPANIC’,‘WHITE NON HISP’], ‘WNH’, inplaceTrue)
end_time time.time() replace_time end_time - start_time
print(“Time using .replace(): {} sec”.format(replace_time)) 图片
我们可以再次看到使用.replace()方法比使用.loc[]方法快得多。为了更好地直观地了解它有多快让我们运行下面的代码:
print(‘The differnce: {} %’.format((pandas_time- replace_time )/replace_time*100)) 图片
.replace()方法比使用.loc[]方法快87%。如果数据很大需要大量的清理它将有效的减少数据清理的计算时间并使pandas代码更快。
最后我们还可以使用字典替换DataFrame中的单个值和多个值。如果想在一个命令中使用多个替换函数这将是非常有用的。
我们要用字典把每个男性的性别替换为BOY把每个女性的性别替换为GIRL。
names pd.read_csv(‘Popular_Baby_Names.csv’)
start_time time.time() names[‘Gender’].replace({‘MALE’:‘BOY’, ‘FEMALE’:‘GIRL’, ‘female’: ‘girl’}, inplaceTrue) end_time time.time() dict_time end_time - start_time print(“Time using .replace() with dictionary: {} sec”.format(dict_time)) 图片
names pd.read_csv(‘Popular_Baby_Names.csv’)
start_time time.time()
names[‘Gender’].replace(‘MALE’, ‘BOY’, inplaceTrue) names[‘Gender’].replace(‘FEMALE’, ‘GIRL’, inplaceTrue) names[‘Gender’].replace(‘female’, ‘girl’, inplaceTrue)
end_time time.time()
list_time end_time - start_time print(“Time using multiple .replace(): {} sec”.format(list_time)) 图片
比较这两种方法可以看到使用字典的运行速度快了大约22%。
使用字典可以替换几个不同列上的相同值。我们想把所有种族分成三大类:黑人、亚洲人和白人。这里的代码也非常简单。使用嵌套字典:外键是我们要替换值的列名。值是另一个字典其中的键是要替换的字典。
start_time time.time() names.replace({‘Ethnicity’: {‘ASIAN AND PACI’: ‘ASIAN’, ‘ASIAN AND PACIFIC ISLANDER’: ‘ASIAN’, ‘BLACK NON HISPANIC’: ‘BLACK’, ‘BLACK NON HISP’: ‘BLACK’, ‘WHITE NON HISPANIC’: ‘WHITE’, ‘WHITE NON HISP’: ‘WHITE’}}) print(“Time using .replace() with dictionary: {} sec”.format (time.time() - start_time)) 总结 使用.iloc[]函数可以更快地选择行和列并且它比loc[]要快但是loc[] 提供了一些更方便的功能如果速度不是优先考虑或者iloc[]实现的比较麻烦的话再考虑使用loc[]。
使用内置的replace()函数比使用传统方法快得多。
使用python字典替换多个值比使用列表更快。
