1.计算变量缺失率
- df=pd.read_csv('titanic_train.csv')
- def missing_cal(df):
- """
- df :数据集
-
- return:每个变量的缺失率
- """
- missing_series = df.isnull().sum()/df.shape[0]
- missing_df = pd.DataFrame(missing_series).reset_index()
- missing_df = missing_df.rename(columns={'index':'col',
- 0:'missing_pct'})
- missing_df = missing_df.sort_values('missing_pct',ascending=False).reset_index(drop=True)
- return missing_df
- missing_cal(df)
如果需要计算样本的缺失率分布,只要加上参数axis=1.
2.获取分组里最大值所在的行方法
分为分组中有重复值和无重复值两种。
无重复值的情况。
- df = pd.DataFrame({'Sp':['a','b','c','d','e','f'], 'Mt':['s1', 's1', 's2','s2','s2','s3'], 'Value':[1,2,3,4,5,6], 'Count':[3,2,5,10,10,6]})
- df
- df.iloc[df.groupby(['Mt']).apply(lambda x: x['Count'].idxmax())]
先按Mt列进行分组,然后对分组之后的数据框使用idxmax函数取出Count最大值所在的列,再用iloc位置索引将行取出。
有重复值的情况
- df["rank"] = df.groupby("ID")["score"].rank(method="min", ascending=False).astype(np.int64)
- df[df["rank"] == 1][["ID", "class"]]
对ID进行分组之后再对分数应用rank函数,分数相同的情况会赋予相同的排名,然后取出排名为1的数据。
3.多列合并为一行
- df = pd.DataFrame({'id_part':['a','b','c','d'], 'pred':[0.1,0.2,0.3,0.4], 'pred_class':['women','man','cat','dog'], 'v_id':['d1','d2','d3','d1']})
- df.groupby(['v_id']).agg({'pred_class': [', '.join],'pred': lambda x: list(x),
- 'id_part': 'first'}).reset_index()
4.删除包含特定字符串所在的行
- df = pd.DataFrame({'a':[1,2,3,4], 'b':['s1', 'exp_s2', 's3','exps4'], 'c':[5,6,7,8], 'd':[3,2,5,10]})
- df[df['b'].str.contains('exp')]
5.组内排序
- df = pd.DataFrame([['A',1],['A',3],['A',2],['B',5],['B',9]], columns = ['name','score'])
- df
介绍两种高效地组内排序的方法。
- df.sort_values(['name','score'], ascending = [True,False])
-
- df.groupby('name').apply(lambda x: x.sort_values('score', ascending=False)).reset_index(drop=True)
6.选择特定类型的列
- drinks = pd.read_csv('data/drinks.csv')
- # 选择所有数值型的列
- drinks.select_dtypes(include=['number']).head()
- # 选择所有字符型的列
- drinks.select_dtypes(include=['object']).head()
- drinks.select_dtypes(include=['number','object','category','datetime']).head()
- # 用 exclude 关键字排除指定的数据类型
- drinks.select_dtypes(exclude=['number']).head()
7.字符串转换为数值
- df = pd.DataFrame({'列1':['1.1','2.2','3.3'],
- '列2':['4.4','5.5','6.6'],
- '列3':['7.7','8.8','-']})
- df
-
- df.astype({'列1':'float','列2':'float'}).dtypes
用这种方式转换第三列会出错,因为这列里包含一个代表 0 的下划线,pandas 无法自动判断这个下划线。 为了解决这个问题,可以使用 to_numeric() 函数来处理第三列,让 pandas 把任意无效输入转为 NaN。
- df = df.apply(pd.to_numeric, errors='coerce').fillna(0)
- df
8.优化 DataFrame 对内存的占用
方法一:只读取切实所需的列,使用usecols参数
- cols = ['beer_servings','continent']
- small_drinks = pd.read_csv('data/drinks.csv', usecols=cols)
方法二:把包含类别型数据的 object 列转换为 Category 数据类型,通过指定 dtype 参数实现。
- dtypes ={'continent':'category'}
- smaller_drinks = pd.read_csv('data/drinks.csv',usecols=cols, dtype=dtypes)
9.根据最大的类别筛选 DataFrame
- movies = pd.read_csv('data/imdb_1000.csv')
- counts = movies.genre.value_counts()
- movies[movies.genre.isin(counts.nlargest(3).index)].head()
10.把字符串分割为多列
- df = pd.DataFrame({'姓名':['张 三','李 四','王 五'],
- '所在地':['北京-东城区','上海-黄浦区','广州-白云区']})
- df
- df.姓名.str.split(' ', expand=True)
11.把 Series 里的列表转换为 DataFrame
- df = pd.DataFrame({'列1':['a','b','c'],'列2':[[10,20], [20,30], [30,40]]})
- df
- df_new = df.列2.apply(pd.Series)
- pd.concat([df,df_new], axis='columns')
12.用多个函数聚合
- orders = pd.read_csv('data/chipotle.tsv', sep='\t')
- orders.groupby('order_id').item_price.agg(['sum','count']).head()
13.分组聚合
- import pandas as pd
- df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'],
- 'key2':['one', 'two', 'one', 'two', 'one'],
- 'data1':np.random.randn(5),
- 'data2':np.random.randn(5)})
- df
- for name, group in df.groupby('key1'): print(name) print(group)
- dict(list(df.groupby('key1')))
通过字典或Series进行分组
- people = pd.DataFrame(np.random.randn(5, 5),
- columns=['a', 'b', 'c', 'd', 'e'],
- index=['Joe', 'Steve', 'Wes', 'Jim', 'Travis'])
- mapping = {'a':'red', 'b':'red', 'c':'blue',
- 'd':'blue', 'e':'red', 'f':'orange'}
- by_column = people.groupby(mapping, axis=1)
- by_column.sum()