利用query()与eval()优化pandas代码
共 4619字,需浏览 10分钟
·
2020-08-10 23:28
点击上方"蓝字"关注我们
记录 分享 成长
❝本文示例代码已上传至我的
❞Github
仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介
利用pandas
进行数据分析的过程,不仅仅是计算出结果那么简单,很多初学者喜欢在计算过程中创建一堆命名「随心所欲」的中间变量,一方面使得代码读起来费劲,另一方面越多的不必要的中间变量意味着越高的内存占用,越多的计算资源消耗。
因此很多时候为了提升整个数据分析工作流的「执行效率」以及代码的「简洁性」,需要配合一些pandas
中的高级特性。本文就将带大家学习如何在pandas
中化繁为简,利用query()
和eval()
来实现高效简洁的数据查询与运算。
2 基于query()的高效查询
query()
顾名思义,是pandas
中专门执行数据查询的API,其实早在2014年,pandas
0.13版本中这个特性就已经出现了,随着后续众多版本的迭代更新,目前pandas
中的query()
已经进化得非常好用(笔者目前使用的pandas
版本为1.1.0)。
首先从一个实际例子认识一下query()
的用法,这里我们使用到「netflix」电影与剧集发行数据集,包含了6234个作品的基本属性信息,你可以在文章开头的Github
仓库对应目录下找到它,或在公众号后台回复「网飞」获取百度网盘地址。
正常读入数据后,我们分别使用传统方法和query()
来执行这样的组合条件查询,不同的条件之间用对应的and or
或& |
连接均可:
❝找出类型为「TV Show」且国家不含「美国」的「Kids' TV」
❞
通过比较可以发现在使用query()
时我们在不需要重复书写数据框名称[字段名]
这样的内容,字段名也直接可以当作变量使用,而且不同条件之间不需要用括号隔开,在条件繁杂的时候简化代码的效果更为明显。
通过上面的小例子我们认识到query()
的强大之处,下面我们就来学习query()
的常用特性:
2.1 直接解析字段名
query()
最核心的特性就是可以直接根据传入的查询表达式,将字段名解析为对应的列,其中对字段名的命名规范有一定要求:当字段名符合Python
中对变量命名规范的要求时,即变量名完全由「字母」、「数字」、「下划线」构成且不以「数字」开头,这样的字段是可以直接写入query()
表达式的。
但大家如果尝试过会发现一些不符合上述规范的变量名也不报错,譬如:
因此可以记住只要在Python
里作为变量名不报错,就可以直接填入字段名,否则需要在字段名两边加上`,譬如下面的例子:
2.2 链式表达式
query()
中还支持链式表达式(chained expressions),使得我们可以进一步简化多条件组合时的语法:
demo = pd.DataFrame({
'a': [5, 4, 3, 2, 1],
'b': [1, 2, 3, 4, 5]
})
demo.query("a <= b != 4")
2.3 支持in与not in判断
query()
支持Python
原生的in
判断以及not in
判断,从而简化了多条件判断,比如我们针对「netflix」数据集想找出release_year
等于2018或2019的作品:
netflix.query("release_year in [2018, 2019]")
2.4 对外部变量的支持
query()
表达式还支持使用外部变量,只需要在外部变量前加上@
符号即可:
2.5 对常规语句的支持
query()
我个人觉得最惊人的功能就是其可以直接解析Python
语句,这赋予我们极大的自由度:
def country_count(s):
'''
计算涉及国家数量
'''
return s.split(',').__len__()
# 找出发行年份在2018或2019年且合作国家数量超过5个的剧集
netflix.query("release_year.isin([2018, 2019]) and country.apply(@country_count) > 5")
2.6 对Index与MultiIndex的支持
除了对常规字段进行条件筛选,query()
还支持对数据框自身的index
进行条件筛选,具体可分为三种情况:
「常规index」
对于只具有单列Index
的数据框,直接在表达式中使用index
:
# 找出索引列中包含king的记录,忽略大小写
netflix.set_index('title').query("index.str.contains('king', case=False)")
「names为空的MultiIndex」
对于MultiIndex
的情况,可分为两种,首先我们来看看MultiIndex
的names
为空的情况,按照顺序,用ilevel_n
表示MultiIndex
中的第n列index:
# 构造含有MultiIndex的数据框,并重置index的names为None
temp = netflix.set_index(['title', 'type']);temp.index.names = (None, None)
# 找出第一个index包含king(忽略大小写),第二个index等于Movie的记录
temp.query("ilevel_0.str.contains('king', case=False) and ilevel_1 == 'Movie'")
「names不为空的MultiIndex」
而对于MultiIndex
的names
有内容的情况,直接用对应的名称传入表达式即可:
# 构造含有MultiIndex的数据框,并重置index的names为None
temp = netflix.set_index(['title', 'type'])
# 找出第一个index包含king(忽略大小写),第二个index等于Movie的记录
temp.query("title.str.contains('king', case=False) and type == 'Movie'")
3 基于eval()的高效运算
而eval()
类似Python
的eval()
函数,可以将字符串形式的命令直接解析并执行。
而pandas
中的eval()
有两种,一种是top-level
级别的eval()
函数,而另一种是针对数据框的DataFrame.eval()
,我们接下来要介绍的是后者,其与query()
有很多相同之处,下面只介绍其独有特点。
同样从实际例子出发,同样针对「netflix」数据,我们按照一定的计算方法为其新增两列数据,对基于assign()
的方式和基于eval()
的方式进行比较,其中最后一列是False是因为日期转换使用coerce
策略之后无法被解析的日期会填充pd.NAT,而缺失值之间是无法进行相等比较的:
# 利用assign进行新增字段计算并保存为新数据框
result1 = netflix.assign(years_to_now=2020 - netflix['release_year'],
new_date_added=pd.to_datetime(netflix['date_added'].str.strip(),
format='%B %d, %Y', errors='coerce'))
# 利用eval()进行新增字段计算并保存为新数据框
result2 = netflix.eval('''
years_to_now = 2020 - release_year
new_date_added = @pd.to_datetime(date_added.str.strip(), format='%B %d, %Y', errors='coerce')''')
(result1 == result2).all()
虽然assign()
已经算是pandas
中简化代码的很好用的API了,但面对eval()
,还是逊色不少
DataFrame.eval()
通过传入多行表达式,每行作为独立的赋值语句,其中对应前面数据框中数据字段可以像query()
一样直接书写字段名,亦可像query()
那样直接执行Python
语句。
但要注意的是eval()
中每个新字段的赋值必须写在同一行,否则会出错:
netflix.eval('''
years_to_now = 2020 - release_year
new_date_added = @pd.to_datetime(date_added.str.strip(),
format='%B %d, %Y',
errors='coerce')''')
因此如果你要使用到的函数参数很多,可以利用functools
中的partial
将一些参数固化并保存,从而达到简化eval()
表达式的目的:
from functools import partial
# 利用partial固化指定参数
func = partial(pd.to_datetime, format='%B %d, %Y', errors='coerce')
netflix.eval('''
years_to_now = 2020 - release_year
new_date_added = @func(date_added.str.strip())''')
而我最喜欢DataFrame.eval()
的地方在于配合他,我可以在很多数据分析场景中实现0中间变量,一直链式下去,延续上面的例子,当我们新增了这两列数据之后,接下来我们按顺序进行按月统计影片数量、字段重命名、新增当月数量在全部记录排名字段、排序,其中关键的是「新增当月数量在全部记录排名字段」,如果不用eval()
,你是无法在「不创建中间变量」的前提下如此简洁地完成需求的:
netflix.eval('''
years_to_now = 2020 - release_year
new_date_added = @func(date_added.str.strip())''') \
.resample('M', on='new_date_added') \
.agg({'new_date_added': 'count'}) \
.rename(columns={'new_date_added': '月度发行数量'}) \
.eval('''月度发行数量排名 = 月度发行数量.rank(ascending=False).astype('int')''') \
.sort_values('月度发行数量排名')
使用query()+eval()
,升华pandas
数据分析操作。
以上就是本文的全部内容,欢迎在评论区与我讨论~
加入我们的知识星球【Python大数据分析】
爱上数据分析!