3 个不常见但非常实用的Pandas 使用技巧-技术圈

来源：DeepHub IMBA
本文共1000字，建议阅读5分钟
本文为你演示一些不常见，但是却非常有用的 Pandas 函数。

创建一个示例 DataFrame 。


import numpy as npimport pandas as pddf = pd.DataFrame({   "date": pd.date_range(start="2021-11-20", periods=100, freq="D"),  "class": ["A","B","C","D"] * 25,  "amount": np.random.randint(10, 100, size=100)})
df.head()

我们创建有一个 3 列 100 行的 DataFrame。date 列包含 100 个连续日期，class 列包含 4 个以对象数据类型存储的不同值，amount 列包含 10 到 100 之间的随机整数。

1. To_period

在 Pandas 中，操作 to_period 函数允许将日期转换为特定的时间间隔。使用该方法可以获取具有许多不同间隔或周期的日期，例如日、周、月、季度等。

比如针对于时间类型的列，month 方法只返回在许多情况下没有用处的月份的数值，我们无法区分 2020 年 12 月和 2021 年 12 月。但是我们通过使用to_period 函数的参数”M“实现时间序列。

让我们为年月和季度创建新列。


df["month"] = df["date"].dt.to_period("M")df["quarter"] = df["date"].dt.to_period("Q")
df.head()

还可以查看 DataFrame 中不同的年月和季度值。


df["month"].value_counts()# output2021-12   312022-01   312022-02   272021-11   11Freq: M, Name: month, dtype: int64
--------------------------df["quarter"].value_counts()# output2022Q1   582021Q4   42Freq: Q-DEC, Name: quarter, dtype: int64

2. Cumsum 和 groupby

cumsum 是一个非常有用的 Pandas 函数。它计算列中值的累积和。以下是我们通常的使用方式：


df["cumulative_sum"] = df["amount"].cumsum()df.head()

这样就获得了金额列的列值累积总和。但是它只是全部的总和没有考虑分类。在某些情况下，我们可能需要分别计算不同类别的累积和。

Pandas中我们只需要按类列对行进行分组，然后应用 cumsum 函数。

df["class_cum_sum"] = df.groupby("class")["amount"].cumsum()

让我们查看 A 类的结果。

df[df["class"]=="A"].head()

类的累积总和列包含为每个类单独计算的累积值总和。

3. Category数据类型

我们经常需要处理具有有限且固定数量的值的分类数据。例如在我们的 DataFrame 中，”分类“列具有 4 个不同值的分类变量：A、B、C、D。

默认情况下，该列的数据类型为object。


df.dtypes
# outputdate             datetime64[ns]class                     objectamount                     int64month                 period[M]quarter           period[Q-DEC]cumulative_sum             int64class_cum_sum             int64

Pandas 还有一个“Category”数据类型，它比object数据类型消耗更少的内存。因此最好尽可能使用category数据类型。


df["class_category"] = df["class"].astype("category")df.dtypes
# outputdate             datetime64[ns]class                     objectamount                     int64month                 period[M]quarter           period[Q-DEC]cumulative_sum             int64class_cum_sum             int64class_category         categorydtype: object

现在可以比较 class 和 class_category 列的内存消耗。


df.memory_usage()
# outputIndex             128date             800class             800amount           800month             800quarter           800cumulative_sum   800class_cum_sum     800class_category   304dtype: int64

class_category 列消耗的内存不到 class 列的一半。差异是 496 字节，虽然并不多。但是当我们使用大型数据集时，这样差异就会被放大，这样就变成了节省大量的空间。

作者：Soner Yıldırım

编辑：黄继彦