文章的數(shù)據(jù)和代碼都已上傳至我的github倉庫：https://github.com/CNFeffery/DataScienceStudyNotes pandas提供了很多方便簡(jiǎn)潔的方法，用于對(duì)單列、多列數(shù)據(jù)進(jìn)行批量運(yùn)算或分組聚合運(yùn)算，熟悉這些方法后可極大地提升數(shù)據(jù)分析的效率，也會(huì)使得你的代碼更加地優(yōu)雅簡(jiǎn)潔。 本文就將針對(duì)pandas中的 這里的非聚合指的是數(shù)據(jù)處理前后沒有進(jìn)行分組操作，數(shù)據(jù)列的長(zhǎng)度沒有發(fā)生改變，因此本章節(jié)中不涉及 首先讀入數(shù)據(jù)，這里使用到的全美嬰兒姓名數(shù)據(jù)，包含了1880-2018年全美每年對(duì)應(yīng)每個(gè)姓名的新生兒數(shù)據(jù)，在jupyterlab中讀入數(shù)據(jù)并打印數(shù)據(jù)集的一些基本信息以了解我們的數(shù)據(jù)集： 類似Python內(nèi)建的 譬如這里我們想要得到gender列的F、M轉(zhuǎn)換為女性、男性的新列，可以有以下幾種實(shí)現(xiàn)方式： 這里我們編寫F、M與女性、男性之間一一映射的字典，再利用 這里我們向 也可以傳入 一些接收單個(gè)輸入值且有輸出的對(duì)象也可以用 但相較于 下面我們來分別介紹： 這里我們參照2.1向 可以看到這里實(shí)現(xiàn)了跟 譬如這里我們編寫一個(gè)使用到多列數(shù)據(jù)的函數(shù)用于拼成對(duì)于每一行描述性的話，并在 注意在處理多個(gè)值時(shí)要給一、簡(jiǎn)介
map()、apply()、applymap()、groupby()、agg()等方法展開詳細(xì)介紹，并結(jié)合實(shí)際例子幫助大家更好地理解它們的使用技巧。二、非聚合類方法
groupby()。import pandas as pd
#讀入數(shù)據(jù)
data = pd.read_csv('data.csv')
data.head()#查看各列數(shù)據(jù)類型、數(shù)據(jù)框行列數(shù)
print(data.dtypes)
print()
print(data.shape)2.1 map()
map()方法，pandas中的map()方法將函數(shù)、字典索引或是一些需要接受單個(gè)輸入值的特別的對(duì)象與對(duì)應(yīng)的單個(gè)列的每一個(gè)元素建立聯(lián)系并串行得到結(jié)果。map()方法來得到映射列：#定義F->女性，M->男性的映射字典
gender2xb = {'F': '女性', 'M': '男性'}
#利用map()方法得到對(duì)應(yīng)gender列的映射列
data.gender.map(gender2xb)lambda函數(shù)map()中傳入lambda函數(shù)來實(shí)現(xiàn)所需功能：#因?yàn)橐呀?jīng)知道數(shù)據(jù)gender列性別中只有F和M所以編寫如下lambda函數(shù)
data.gender.map(lambda x:'女性' if x is 'F' else '男性')def定義的常規(guī)函數(shù)：def gender_to_xb(x):
return '女性' if x is 'F' else '男性'
data.gender.map(gender_to_xb)map()可以傳入的內(nèi)容有時(shí)候可以很特殊，如下面的例子：map()方法來處理：data.gender.map('This kid's gender is {}'.format)map()還有一個(gè)參數(shù)na_action，類似R中的na.action，取值為None或ingore，用于控制遇到缺失值的處理方式，設(shè)置為ingore時(shí)串行運(yùn)算過程中將忽略Nan值原樣返回。2.2
apply()apply()堪稱pandas中最好用的方法，其使用方式跟map()很像，主要傳入的主要參數(shù)都是接受輸入返回輸出。map()針對(duì)單列Series進(jìn)行處理，一條apply()語句可以對(duì)單列或多列進(jìn)行運(yùn)算，覆蓋非常多的使用場(chǎng)景。apply()中傳入lambda函數(shù)：data.gender.apply(lambda x:'女性' if x is 'F' else '男性')
map()一樣的功能。apply()最特別的地方在于其可以同時(shí)處理多列數(shù)據(jù)，我們先來了解一下如何處理多列數(shù)據(jù)輸入單列數(shù)據(jù)輸出的情況。apply()用lambda函數(shù)傳遞多個(gè)值進(jìn)編寫好的函數(shù)中（當(dāng)調(diào)用DataFrame.apply()時(shí)，apply()在串行過程中實(shí)際處理的是每一行數(shù)據(jù)，而不是Series.apply()那樣每次處理單個(gè)值）。apply()添加參數(shù)axis=1：def generate_descriptive_statement(year, name, gender, count):
year, count = str(year), str(count)
gender = '女性' if gender is 'F' else '男性'
return '在{}年，叫做{}性別為{}的新生兒有{}個(gè)。'.format(year, name, gender, count)
data.apply(lambda row:generate_descriptive_statement(row['year'],
row['name'],
row['gender'],
row['count']),
axis = 1)
有些時(shí)候我們利用apply()會(huì)遇到希望同時(shí)輸出多列數(shù)據(jù)的情況，在apply()中同時(shí)輸出多列時(shí)實(shí)際上返回的是一個(gè)Series，這個(gè)Series中每個(gè)元素是與apply()中傳入函數(shù)的返回值順序?qū)?yīng)的元組。
比如下面我們利用apply()來提取name列中的首字母和剩余部分字母：
data.apply(lambda row: (row['name'][0], row['name'][1:]), axis=1)
可以看到，這里返回的是單列結(jié)果，每個(gè)元素是返回值組成的元組，這時(shí)若想直接得到各列分開的結(jié)果，需要用到zip(*zipped)來解開元組序列，從而得到分離的多列返回值：
a, b = zip(*data.apply(lambda row: (row['name'][0], row['name'][1:]), axis=1))
print(a[:10])
print(b[:10])
apply()過程添加進(jìn)度條我們知道apply()在運(yùn)算時(shí)實(shí)際上仍然是一行一行遍歷的方式，因此在計(jì)算量很大時(shí)如果有一個(gè)進(jìn)度條來監(jiān)視運(yùn)行進(jìn)度就很舒服。
tqdm:用于添加代碼進(jìn)度條的第三方庫
tqdm對(duì)pandas也是有著很好的支持。
我們可以使用progress_apply()代替apply()，并在運(yùn)行progress_apply()之前添加tqdm.tqdm.pandas(desc='')來啟動(dòng)對(duì)apply過程的監(jiān)視。
其中desc參數(shù)傳入對(duì)進(jìn)度進(jìn)行說明的字符串，下面我們?cè)谏弦恍〔糠质纠幕A(chǔ)上進(jìn)行改造來添加進(jìn)度條功能：
from tqdm import tqdm
def generate_descriptive_statement(year, name, gender, count):
year, count = str(year), str(count)
gender = '女性' if gender is 'F' else '男性'
return '在{}年，叫做{}性別為{}的新生兒有{}個(gè)。'.format(year, name, gender, count)
#啟動(dòng)對(duì)緊跟著的apply過程的監(jiān)視
tqdm.pandas(desc='apply')
data.progress_apply(lambda row:generate_descriptive_statement(row['year'],
row['name'],
row['gender'],
row['count']),
axis = 1)
可以看到在jupyter lab中運(yùn)行程序的過程中，下方出現(xiàn)了監(jiān)視過程的進(jìn)度條，這樣就可以實(shí)時(shí)了解apply過程跑到什么地方了。
tqdm_notebook()給apply()過程添加美觀進(jìn)度條熟悉tqdm的朋友都知道其針對(duì)jupyter notebook開發(fā)了ui更加美觀的tqdm_notebook()。
而要想在jupyter notebook/jupyter lab平臺(tái)上為pandas的apply過程添加美觀進(jìn)度條，可以參照如下示例：
from tqdm._tqdm_notebook import tqdm_notebook
tqdm_notebook.pandas(desc='apply')
data.progress_apply(lambda row:generate_descriptive_statement(row['year'],
row['name'],
row['gender'],
row['count']),
axis = 1)
這時(shí)所添加的進(jìn)度條就美觀了不少。
applymap()applymap()是與map()方法相對(duì)應(yīng)的專屬于DataFrame對(duì)象的方法，類似map()方法傳入函數(shù)、字典等，傳入對(duì)應(yīng)的輸出結(jié)果。
不同的是applymap()將傳入的函數(shù)等作用于整個(gè)數(shù)據(jù)框中每一個(gè)位置的元素，因此其返回結(jié)果的形狀與原數(shù)據(jù)框一致。
譬如下面的簡(jiǎn)單示例，我們把嬰兒姓名數(shù)據(jù)中所有的字符型數(shù)據(jù)消息小寫化處理，對(duì)其他類型則原樣返回：
def lower_all_string(x):
if isinstance(x, str):
return x.lower()
else:
return x
data.applymap(lower_all_string)
其形狀沒有變化:
配合applymap()，可以簡(jiǎn)潔地完成很多數(shù)據(jù)處理操作。
有些時(shí)候我們需要像SQL里的聚合操作那樣將原始數(shù)據(jù)按照某個(gè)或某些離散型的列進(jìn)行分組再求和、平均數(shù)等聚合之后的值，在pandas中分組運(yùn)算是一件非常優(yōu)雅的事。
groupby()進(jìn)行分組要進(jìn)行分組運(yùn)算第一步當(dāng)然就是分組，在pandas中對(duì)數(shù)據(jù)框進(jìn)行分組使用到groupby()方法。
其主要使用到的參數(shù)為by，這個(gè)參數(shù)用于傳入分組依據(jù)的變量名稱，當(dāng)變量為1個(gè)時(shí)傳入名稱字符串即可。
當(dāng)為多個(gè)時(shí)傳入這些變量名稱列表，DataFrame對(duì)象通過groupby()之后返回一個(gè)生成器，需要將其列表化才能得到需要的分組后的子集，如下面的示例：
#按照年份和性別對(duì)嬰兒姓名數(shù)據(jù)進(jìn)行分組
groups = data.groupby(by=['year','gender'])
#查看groups類型
type(groups)
可以看到它此時(shí)是生成器，下面我們用列表解析的方式提取出所有分組后的結(jié)果：
#利用列表解析提取分組結(jié)果
groups = [group for group in groups]
查看其中的一個(gè)元素：
可以看到每一個(gè)結(jié)果都是一個(gè)二元組，元組的第一個(gè)元素是對(duì)應(yīng)這個(gè)分組結(jié)果的分組組合方式，第二個(gè)元素是分組出的子集數(shù)據(jù)框，而對(duì)于DataFrame.groupby()得到的結(jié)果。
主要可以進(jìn)行以下幾種操作：
譬如這里我們提取count列后直接調(diào)用max()方法：
#求每個(gè)分組中最高頻次
data.groupby(by=['year','gender'])['count'].max()
注意這里的year、gender列是以索引的形式存在的，想要把它們還原回?cái)?shù)據(jù)框，使用reset_index(drop=False)即可：
apply()分組后的結(jié)果也可以直接調(diào)用apply()，這樣可以編寫更加自由的函數(shù)來完成需求，譬如下面我們通過自編函數(shù)來求得每年每種性別出現(xiàn)頻次最高的名字及對(duì)應(yīng)頻次。
要注意的是，這里的apply傳入的對(duì)象是每個(gè)分組之后的子數(shù)據(jù)框，所以下面的自編函數(shù)中直接接收的df參數(shù)即為每個(gè)分組的子數(shù)據(jù)框：
import numpy as np
def find_most_name(df):
return str(np.max(df['count']))+'-'+df['name'][np.argmax(df['count'])]
data.groupby(['year','gender']).apply(find_most_name).reset_index(drop=False)
agg()進(jìn)行更靈活的聚合agg即aggregate，聚合，在pandas中可以利用agg()對(duì)Series、DataFrame以及groupby()后的結(jié)果進(jìn)行聚合。
其傳入的參數(shù)為字典，鍵為變量名，值為對(duì)應(yīng)的聚合函數(shù)字符串，譬如{'v1':['sum','mean'], 'v2':['median','max','min]}就代表對(duì)數(shù)據(jù)框中的v1列進(jìn)行求和、均值操作，對(duì)v2列進(jìn)行中位數(shù)、最大值、最小值操作。
下面用幾個(gè)簡(jiǎn)單的例子演示其具體使用方式：
在對(duì)Series進(jìn)行聚合時(shí)，因?yàn)橹挥?列，所以可以不使用字典的形式傳遞參數(shù)，直接傳入函數(shù)名列表即可：
#求count列的最小值、最大值以及中位數(shù)
data['count'].agg(['min','max','median'])
對(duì)數(shù)據(jù)框進(jìn)行聚合時(shí)因?yàn)橛卸嗔?，所以要使用字典的方式傳入聚合方案?/p>
data.agg({'year': ['max','min'], 'count': ['mean','std']})
值得注意的是，因?yàn)樯侠袑?duì)于不同變量的聚合方案不統(tǒng)一，所以會(huì)出現(xiàn)NaN的情況。
groupby()結(jié)果data.groupby(['year','gender']).agg({'count':['min','max','median']}).reset_index(drop=False)
可以注意到雖然我們使用reset_index()將索引列還原回變量，但聚合結(jié)果的列名變成紅色框中奇怪的樣子，而在pandas 0.25.0以及之后的版本中，可以使用pd.NamedAgg()來為聚合后的每一列賦予新的名字：
data.groupby(['year','gender']).agg(
min_count=pd.NamedAgg(column='count', aggfunc='min'),
max_count=pd.NamedAgg(column='count', aggfunc='max'),
median=pd.NamedAgg(column='count', aggfunc='median')).reset_index(drop=False)
以上就是本文全部?jī)?nèi)容，如有筆誤望指出！
聯(lián)系客服
