Day 36：Pandas 与数据读取、选取、清洗、特征工程相关的 12 个实用小功能
发布日期：2022年3月12日 18:02 阅读: 320 访问: 320
读取时抽样 1%对于动辄就几十或几百个 G 的数据，在读取这么大数据时，我们有没有办法随机选取一小部分数据，然后读入内存，快速了解数据和开展 EDA？使用 Pandas 的 skiprows 和概率知识，就能做到，下面解释具体怎么做。如下所示，读取某 100 G 大小的 big_data.csv 数据：使用 skiprow
读取时抽样 1%
对于动辄就几十或几百个 G 的数据，在读取这么大数据时，我们有没有办法随机选取一小部分数据，然后读入内存，快速了解数据和开展 EDA？
使用 Pandas 的 skiprows 和概率知识，就能做到，下面解释具体怎么做。
如下所示，读取某 100 G 大小的 big_data.csv 数据：
- 使用 skiprows 参数
x>0确保首行读入np.random.rand()>0.01表示 99% 的数据都会被随机过滤掉
言外之意，只有全部数据的 1% 才有机会选入内存中。
import pandas as pd
import numpy as np
df = pd.read_csv("big_data.csv",
skiprows = lambda x: x>0 and
np.random.rand() > 0.01)
print("The shape of the df is {}.
It has been reduced 100 times!".format(df.shape))使用这种方法，读取的数据量迅速缩减到原来的 1%，对于迅速展开数据分析有一定的帮助。
生成时间序列的数据集
与时间序列相关的问题，平时挺常见。如何用 Pandas 快速生成时间序列数据？使用 pd.util.testing.makeTimeDataFrame 只需要一行代码，便能生成一个 index 为时间序列的 DataFrame：
import pandas as pd
pd.util.testing.makeTimeDataFrame(10)结果：
A B C D
2000-01-03 0.932776 -1.509302 0.285825 0.941729
2000-01-04 0.565230 -1.598449 -0.786274 -0.221476
2000-01-05 -0.152743 -0.392053 -0.127415 0.841907
2000-01-06 1.321998 -0.927537 0.205666 -0.041110
2000-01-07 0.324359 1.512743 0.553633 0.392068
2000-01-10 -0.566780 0.201565 -0.801172 -1.165768
2000-01-11 -0.259348 -0.035893 -1.363496 0.475600
2000-01-12 -0.341700 -1.438874 -0.260598 -0.283653
2000-01-13 -1.085183 0.286239 2.475605 -1.068053
2000-01-14 -0.057128 -0.602625 0.461550 0.033472
时间序列的间隔还能配置，默认的 A、B、C、D 四列也支持配置。
import numpy as np
df = pd.DataFrame(np.random.randint(1,1000,size=(10,3)),columns = ['商品编码','商品销量','商品库存'])
df.index = pd.util.testing.makeDateIndex(10,freq='H')
结果：
商品编码 商品销量 商品库存
2000-01-01 00:00:00 99 264 98
2000-01-01 01:00:00 294 406 827
2000-01-01 02:00:00 89 221 931
2000-01-01 03:00:00 962 153 956
2000-01-01 04:00:00 538 46 374
2000-01-01 05:00:00 226 973 750
2000-01-01 06:00:00 193 866 7
2000-01-01 07:00:00 300 129 474
2000-01-01 08:00:00 966 372 835
2000-01-01 09:00:00 687 493 910
使用 apply(type) 做类型检查
有时肉眼所见的列类型，未必就是你预期的类型，如下 DataFrame 销量这一列，看似为浮点型。
实际上，我们是这样生成 DataFrame 的：
d = {"商品":["A", "B", "C", "D", "E"], "销量":[100, "100", 50, 550.20, "375.25"]}
df = pd.DataFrame(d)
df
所以直接在销量这一列上求平均值，就会报错。
df['销量'].sum()
TypeError: unsupported operand type(s) for +: 'int' and 'str'
所以在计算前，检查此列每个单元格的取值类型就很重要。
df['销量'].apply(type)
0 <class 'int'>
1 <class 'str'>
2 <class 'int'>
3 <class 'float'>
4 <class 'str'>
Name: 销量, dtype: object
上面是打印结果，看到取值有 int、str、float。有的读者就问了，这才几行，如果上千上百行，也有一个一个瞅吗？当然不能，使用 value_counts 统计下各种值的频次。
df['销量'].apply(type).value_counts()
<class 'int'> 2
<class 'str'> 2
<class 'float'> 1
Name: 销量, dtype: int64
标签和位置选择数据
读入数据，本专栏使用到的数据集都会打包发给各位读者。
df = pd.read_csv("drinksbycountry.csv", index_col="country")
df
使用位置，iloc 选择前 10 行数据：
df.iloc[:10, :]
标签和 loc 选择两列数据：
df.iloc[:10, :].loc[:, "spirit_servings":"wine_servings"]
也可以直接使用 iloc，得到结果如上面一样。
df.iloc[:10, 1:3]Pandas 空值检查
实际使用的数据，null 值在所难免。如何快速找出 DataFrame 所有列的 null 值个数？
使用 Pandas 能非常方便实现，只需下面一行代码：
data.isnull().sum()- data.isnull()：逐行逐元素查找元素值是否为 null。
- .sum()：默认在 axis 为 0 上完成一次 reduce 求和。
如下 DataFrame：
检查 null 值：
data.isnull().sum()结果：
PassengerId 0
Survived 0
Pclass 0
Name 0
Sex 0
Age 177
SibSp 0
Parch 0
Ticket 0
Fare 0
Cabin 687
Embarked 2
dtype: int64Age 列 177 个 null 值，Cabin 列 687 个 null 值，Embarked 列 2 个 null 值。
replace 做清洗
Pandas 的强项在于数据分析，自然就少不了对数据清洗的支持。一个快速清洗数据的小技巧，在某列上使用 replace 方法和正则，快速完成值的清洗。
源数据：
d = {"customer": ["A", "B", "C", "D"],
"sales":[1100, "950.5", "$400", " $1250.75"]}
df = pd.DataFrame(d)
df打印结果：
customer sales
0 A 1100
1 B 950.5
2 C $400
3 D $1250.75看到 sales 列的值，有整型，还有美元 + 整型、美元 + 浮点型。
我们的目标：清洗掉 $ 符号，字符串型转化为浮点型。
一行代码搞定：（点击代码区域，向右滑动，查看完整代码）
df["sales"] = df["sales"].replace("[$]", "", regex = True).astype("float")使用正则替换，将要替换的字符放到列表中 [$]，替换为空字符，即 ""；最后使用 astype 转为 float。
打印结果：
customer sales
0 A 1100.00
1 B 950.50
2 C 400.00
3 D 1250.75如果不放心，再检查下值的类型：
df["sales"].apply(type)打印结果：
0 <class 'float'>
1 <class 'float'>
2 <class 'float'>
3 <class 'float'>转 datetime
已知年和 dayofyear，怎么转 datetime？
原 DataFrame：
d = {\
"year": [2019, 2019, 2020],
"day_of_year": [350, 365, 1]
}
df = pd.DataFrame(d)
df打印结果：
year day_of_year
0 2019 350
1 2019 365
2 2020 1下面介绍如何转 datetime 的 trick。
Step 1：创建整数
df["int_number"] = df["year"]*1000 + df["day_of_year"]
df打印结果：
year day_of_year int_number
0 2019 350 2019350
1 2019 365 2019365
2 2020 1 2020001Step 2：to_datetime
df["date"] = pd.to_datetime(df["int_number"], format = "%Y%j")
df注意 "%Y%j" 中转化格式 j，正是对应 dayofyear 参数。
打印结果：
year day_of_year int_number date
0 2019 350 2019350 2019-12-16
1 2019 365 2019365 2019-12-31
2 2020 1 2020001 2020-01-01小分类值的替换
分类中出现次数较少的值，如何统一归为 others，该怎么做到？这也是我们在数据清洗、特征构造中经常会面临的一个任务。
如下 DataFrame：
d = {"name":['Jone','Alica','Emily','Robert','Tomas','Zhang','Liu','Wang','Jack','Wsx','Guo'],
"categories": ["A", "C", "A", "D", "A", "B", "B", "C", "A", "E", "F"]}
df = pd.DataFrame(d)
df结果：
name categories
0 Jone A
1 Alica C
2 Emily A
3 Robert D
4 Tomas A
5 Zhang B
6 Liu B
7 Wang C
8 Jack A
9 Wsx E
10 Guo FD、E、F 仅在分类中出现一次，A 出现次数较多。
步骤 1：统计频次，并归一化
frequencies = df["categories"].value_counts(normalize = True)
frequencies结果：
A 0.363636
B 0.181818
C 0.181818
F 0.090909
E 0.090909
D 0.090909
Name: categories, dtype: float64步骤 2：设定阈值，过滤出频次较少的值
threshold = 0.1
small_categories = frequencies[frequencies < threshold].index
small_categories结果：
Index(['F', 'E', 'D'], dtype='object')步骤 3：替换值
df["categories"] = df["categories"].replace(small_categories, "Others")替换后的 DataFrame：
name categories
0 Jone A
1 Alica C
2 Emily A
3 Robert Others
4 Tomas A
5 Zhang B
6 Liu B
7 Wang C
8 Jack A
9 Wsx Others
10 Guo Others重新排序列
某些场景需要重新排序 DataFrame 的列，如下 DataFrame：
如何将列快速变为：
先构造数据：
df = pd.DataFrame(np.random.randint(0,20,size=(5,7)),columns=list('ABCDEFG'))
df
方法 1，直接了当：
df2 = df[["A", "C", "D", "F", "E", "G", "B"]]
df2结果：
方法 2，也了解下：
cols = df.columns[[0, 2 , 3, 5, 4, 6, 1]]
df3 = df[cols]
df3也能得到方法 1 的结果。
时间数据下采样
步长为小时的时间序列数据，有没有小技巧，快速完成下采样，采集成按天的数据呢？
先生成测试数据：
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(1,10,
size=(240,3)),
columns = ['商品编码','商品销量','商品库存'])
df.index = pd.util.testing.makeDateIndex(240,freq='H')
df生成 240 行步长为小时间隔的数据：
使用 resample 方法，合并为天（D）：
day_df = df.resample("D")["商品销量"].sum().to_frame()
day_df结果如下，10 行、240 小时，正好为 10 天：
11 map 做特征工程
DataFrame 上快速对某些列展开特征工程，如何做到？
先生成数据：
d = {
"gender":["male", "female", "male","female"],
"color":["red", "green", "blue","green"],
"age":[25, 30, 15, 32]
}
df = pd.DataFrame(d)
df
在 gender 列上做如下映射：
d = {"male": 0, "female": 1}
df["gender2"] = df["gender"].map(d) 
结合使用 where 和 isin
如下 DataFrame:
d = {"genre": ["A", "C", "A", "A", "A", "B", "B", "C", "D", "E", "F"]}
df = pd.DataFrame(d)
dfgenre
0 A
1 C
2 A
3 A
4 A
5 B
6 B
7 C
8 D
9 E
10 F除了 3个出现频率最高的值外，统一替换其他值为 others.
首先找到出现频率最高的 3 个值：
top3 = df["genre"].value_counts().nlargest(3).index
top3结果：
Index(['A', 'C', 'B'], dtype='object')使用 isin:
df_update = df.where(df["genre"].isin(top3), other = "others")
df_update使用 where, 不满足第一个参数条件的，都会被替换为 others.
结果：
genre
0 A
1 C
2 A
3 A
4 A
5 B
6 B
7 C
8 others
9 others
10 others
复制
结合使用 where, isin 做数据工程，特征清洗非常方便。
小结
今天介绍了 12 个 Pandas 实用的小功能：
- 读取数据使用
skiprows - 生成时间序列的简便方法，apply(type) 做类型检查
- 标签和位置选择数据
- 8 个关于数据清洗，特征工程的实用小功能