從小白到大師,這裡有一份Pandas入門指南

機器之心發表於2019-08-15
在本文中,作者從 Pandas 的簡介開始,一步一步講解了 Pandas 的發展現狀、記憶體優化等問題。這是一篇最佳實踐教程,既適合用過 Pandas 的讀者,也適合沒用過但想要上手的小白。

通過本文,你將有望發現一到多種用 pandas 編碼的新方法。

本文包括以下內容:

  • Pandas 發展現狀;

  • 記憶體優化;

  • 索引;

  • 方法鏈;

  • 隨機提示。

在閱讀本文時,我建議你閱讀每個你不瞭解的函式的文件字串(docstrings)。簡單的 Google 搜尋和幾秒鐘 Pandas 文件的閱讀,都會使你的閱讀體驗更加愉快。

Pandas 的定義和現狀

什麼是 Pandas?

Pandas 是一個「開源的、有 BSD 開源協議的庫,它為 Python 程式語言提供了高效能、易於使用的資料架構以及資料分析工具」。總之,它提供了被稱為 DataFrame 和 Series(對那些使用 Panel 的人來說,它們已經被棄用了)的資料抽象,通過管理索引來快速訪問資料、執行分析和轉換運算,甚至可以繪圖(用 matplotlib 後端)。

Pandas 的當前最新版本是 v0.25.0 (https://github.com/pandas-dev/pandas/releases/tag/v0.25.0)

從小白到大師,這裡有一份Pandas入門指南

Pandas 正在逐步升級到 1.0 版,而為了達到這一目的,它改變了很多人們習以為常的細節。Pandas 的核心開發者之一 Marc Garcia 發表了一段非常有趣的演講——「走向 Pandas 1.0」。

演講連結:https://www.youtube.com/watch?v=hK6o_TDXXN8

用一句話來總結,Pandas v1.0 主要改善了穩定性(如時間序列)並刪除了未使用的程式碼庫(如 SparseDataFrame)。

資料

讓我們開始吧!選擇「1985 到 2016 年間每個國家的自殺率」作為玩具資料集。這個資料集足夠簡單,但也足以讓你上手 Pandas。

資料集連結:https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016

在深入研究程式碼之前,如果你想重現結果,要先執行下面的程式碼準備資料,確保列名和型別是正確的。

import pandas as pdimport numpy as npimport os# to download https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016data_path = 'path/to/folder/'df = (pd.read_csv(filepath_or_buffer=os.path.join(data_path, 'master.csv')) .rename(columns={'suicides/100k pop' : 'suicides_per_100k', ' gdp_for_year ($) ' : 'gdp_year',  'gdp_per_capita ($)' : 'gdp_capita', 'country-year' : 'country_year'}) .assign(gdp_year=lambda _df: _df['gdp_year'].str.replace(',','').astype(np.int64)) )

提示:如果你讀取了一個大檔案,在 read_csv(https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)中引數設定為 chunksize=N,這會返回一個可以輸出 DataFrame 物件的迭代器。

這裡有一些關於這個資料集的描述:

從小白到大師,這裡有一份Pandas入門指南

>>> df.columnsIndex(['country', 'year', 'sex', 'age', 'suicides_no', 'population', 'suicides_per_100k', 'country_year', 'HDI for year', 'gdp_year', 'gdp_capita', 'generation'], dtype='object')

這裡有 101 個國家、年份從 1985 到 2016、兩種性別、六個年代以及六個年齡組。有一些獲得這些資訊的方法:

可以用 unique() 和 nunique() 獲取列內唯一的值(或唯一值的數量);

>>> df['generation'].unique()array(['Generation X', 'Silent', 'G.I. Generation', 'Boomers', 'Millenials', 'Generation Z'], dtype=object)>>> df['country'].nunique()101

可以用 describe() 輸出每一列不同的統計資料(例如最小值、最大值、平均值、總數等),如果指定 include='all',會針對每一列目標輸出唯一元素的數量和出現最多元素的數量;

從小白到大師,這裡有一份Pandas入門指南

可以用 head() 和 tail() 來視覺化資料框的一小部分。

通過這些方法,你可以迅速瞭解正在分析的表格檔案。

記憶體優化

在處理資料之前,瞭解資料併為資料框的每一列選擇合適的型別是很重要的一步。

在內部,Pandas 將資料框儲存為不同型別的 numpy 陣列(比如一個 float64 矩陣,一個 int32 矩陣)。

有兩種可以大幅降低記憶體消耗的方法。

import pandas as pddef mem_usage(df: pd.DataFrame) -> str: """This method styles the memory usage of a DataFrame to be readable as MB. Parameters ---------- df: pd.DataFrame Data frame to measure. Returns ------- str Complete memory usage as a string formatted for MB. """     return f'{df.memory_usage(deep=True).sum() / 1024 ** 2 : 3.2f} MB'def convert_df(df: pd.DataFrame, deep_copy: bool = True) -> pd.DataFrame: """Automatically converts columns that are worth stored as ``categorical`` dtype. Parameters ---------- df: pd.DataFrame Data frame to convert. deep_copy: bool Whether or not to perform a deep copy of the original data frame. Returns ------- pd.DataFrame Optimized copy of the input data frame. """     return df.copy(deep=deep_copy).astype({ col: 'category' for col in df.columns if df[col].nunique() / df[col].shape[0] < 0.5})

Pandas 提出了一種叫做 memory_usage() 的方法,這種方法可以分析資料框的記憶體消耗。在程式碼中,指定 deep=True 來確保考慮到了實際的系統使用情況。

memory_usage():https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.memory_usage.html

瞭解列的型別(https://pandas.pydata.org/pandas-docs/stable/getting_started/basics.html#basics-dtypes)很重要。它可以通過兩種簡單的方法節省高達 90% 的記憶體使用:

  • 瞭解資料框使用的型別;

  • 瞭解資料框可以使用哪種型別來減少記憶體的使用(例如,price 這一列值在 0 到 59 之間,只帶有一位小數,使用 float64 型別可能會產生不必要的記憶體開銷)

除了降低數值型別的大小(用 int32 而不是 int64)外,Pandas 還提出了分類型別:https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html

如果你是用 R 語言的開發人員,你可能覺得它和 factor 型別是一樣的。

這種分類型別允許用索引替換重複值,還可以把實際值存在其他位置。教科書中的例子是國家。和多次儲存相同的字串「瑞士」或「波蘭」比起來,為什麼不簡單地用 0 和 1 替換它們,並儲存在字典中呢?

categorical_dict = {0: 'Switzerland', 1: 'Poland'}

Pandas 做了幾乎相同的工作,同時新增了所有的方法,可以實際使用這種型別,並且仍然能夠顯示國家的名稱。

回到 convert_df() 方法,如果這一列中的唯一值小於 50%,它會自動將列型別轉換成 category。這個數是任意的,但是因為資料框中型別的轉換意味著在 numpy 陣列間移動資料,因此我們得到的必須比失去的多。

接下來看看資料中會發生什麼。

>>> mem_usage(df)10.28 MB>>> mem_usage(df.set_index(['country', 'year', 'sex', 'age']))5.00 MB>>> mem_usage(convert_df(df))1.40 MB>>> mem_usage(convert_df(df.set_index(['country', 'year', 'sex', 'age'])))1.40 MB

通過使用「智慧」轉換器,資料框使用的記憶體幾乎減少了 10 倍(準確地說是 7.34 倍)。

索引

Pandas 是強大的,但也需要付出一些代價。當你載入 DataFrame 時,它會建立索引並將資料儲存在 numpy 陣列中。這是什麼意思?一旦載入了資料框,只要正確管理索引,就可以快速地訪問資料。

訪問資料的方法主要有兩種,分別是通過索引和查詢訪問。根據具體情況,你只能選擇其中一種。但在大多數情況中,索引(和多索引)都是最好的選擇。我們來看下面的例子:

>>> %%time>>> df.query('country == "Albania" and year == 1987 and sex == "male" and age == "25-34 years"')CPU times: user 7.27 ms, sys: 751 µs, total: 8.02 ms# ==================>>> %%time>>> mi_df.loc['Albania', 1987, 'male', '25-34 years']CPU times: user 459 µs, sys: 1 µs, total: 460 µs

什麼?加速 20 倍?

你要問自己了,建立這個多索引要多長時間?

%%timemi_df = df.set_index(['country', 'year', 'sex', 'age'])CPU times: user 10.8 ms, sys: 2.2 ms, total: 13 ms

通過查詢訪問資料的時間是 1.5 倍。如果你只想檢索一次資料(這種情況很少發生),查詢是正確的方法。否則,你一定要堅持用索引,CPU 會為此感激你的。

.set_index(drop=False) 允許不刪除用作新索引的列。

.loc[]/.iloc[] 方法可以很好地讀取資料框,但無法修改資料框。如果需要手動構建(比如使用迴圈),那就要考慮其他的資料結構了(比如字典、列表等),在準備好所有資料後,建立 DataFrame。否則,對於 DataFrame 中的每一個新行,Pandas 都會更新索引,這可不是簡單的雜湊對映

>>> (pd.DataFrame({'a':range(2), 'b': range(2)}, index=['a', 'a']) .loc['a'])   a ba 0 0a 1 1

因此,未排序的索引可以降低效能。為了檢查索引是否已經排序並對它排序,主要有兩種方法:

%%time>>> mi_df.sort_index()CPU times: user 34.8 ms, sys: 1.63 ms, total: 36.5 ms>>> mi_df.index.is_monotonicTrue

更多詳情請參閱:

  • Pandas 高階索引使用者指南:https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html;

  • Pandas 庫中的索引程式碼:https://github.com/pandas-dev/pandas/blob/master/pandas/core/indexing.py。

方法鏈

使用 DataFrame 的方法鏈是連結多個返回 DataFrame 方法的行為,因此它們都是來自 DataFrame 類的方法。在現在的 Pandas 版本中,使用方法鏈是為了不儲存中間變數並避免出現如下情況:

import numpy as npimport pandas as pddf = pd.DataFrame({'a_column': [1, -999, -999], 'powerless_column': [2, 3, 4], 'int_column': [1, 1, -1]}) df['a_column'] = df['a_column'].replace(-999, np.nan) df['power_column'] = df['powerless_column'] ** 2 df['real_column'] = df['int_column'].astype(np.float64) df = df.apply(lambda _df: _df.replace(4, np.nan)) df = df.dropna(how='all')

用下面的鏈替換:

df = (pd.DataFrame({'a_column': [1, -999, -999], 'powerless_column': [2, 3, 4], 'int_column': [1, 1, -1]}) .assign(a_column=lambda _df: _df['a_column'].replace(-999, np.nan)) .assign(power_column=lambda _df: _df['powerless_column'] ** 2) .assign(real_column=lambda _df: _df['int_column'].astype(np.float64)) .apply(lambda _df: _df.replace(4, np.nan)) .dropna(how='all') )

說實話,第二段程式碼更漂亮也更簡潔。

從小白到大師,這裡有一份Pandas入門指南

方法鏈的工具箱是由不同的方法(比如 apply、assign、loc、query、pipe、groupby 以及 agg)組成的,這些方法的輸出都是 DataFrame 物件或 Series 物件(或 DataFrameGroupBy)。

瞭解它們最好的方法就是實際使用。舉個簡單的例子:

(df .groupby('age') .agg({'generation':'unique'}) .rename(columns={'generation':'unique_generation'})# Recommended from v0.25# .agg(unique_generation=('generation', 'unique')))

獲得每個年齡範圍中所有唯一年代標籤的簡單鏈

從小白到大師,這裡有一份Pandas入門指南

在得到的資料框中,「年齡」列是索引。

除了瞭解到「X 代」覆蓋了三個年齡組外,分解這條鏈。第一步是對年齡組分組。這一方法返回了一個 DataFrameGroupBy 物件,在這個物件中,通過選擇組的唯一年代標籤聚合了每一組。

在這種情況下,聚合方法是「unique」方法,但它也可以接受任何(匿名)函式。

在 0.25 版本中,Pandas 引入了使用 agg 的新方法:https://dev.pandas.io/whatsnew/v0.25.0.html#groupby-aggregation-with-relabeling。

(df .groupby(['country', 'year']) .agg({'suicides_per_100k': 'sum'}) .rename(columns={'suicides_per_100k':'suicides_sum'})# Recommended from v0.25# .agg(suicides_sum=('suicides_per_100k', 'sum')) .sort_values('suicides_sum', ascending=False) .head(10))

用排序值(sort_values)和 head 得到自殺率排前十的國家和年份

(df .groupby(['country', 'year']) .agg({'suicides_per_100k': 'sum'}) .rename(columns={'suicides_per_100k':'suicides_sum'})# Recommended from v0.25# .agg(suicides_sum=('suicides_per_100k', 'sum')) .nlargest(10, columns='suicides_sum'))

用排序值 nlargest 得到自殺率排前十的國家和年份

在這些例子中,輸出都是一樣的:有兩個指標(國家和年份)的 MultiIndex 的 DataFrame,還有包含排序後的 10 個最大值的新列 suicides_sum。

從小白到大師,這裡有一份Pandas入門指南

「國家」和「年份」列是索引。

nlargest(10) 比 sort_values(ascending=False).head(10) 更有效。

另一個有趣的方法是 unstack:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.unstack.html,這種方法允許轉動索引水平。

(mi_df .loc[('Switzerland', 2000)] .unstack('sex') [['suicides_no', 'population']])

從小白到大師,這裡有一份Pandas入門指南

「age」是索引,列「suicides_no」和「population」都有第二個水平列「sex」。

下一個方法 pipe 是最通用的方法之一。這種方法允許管道運算(就像在 shell 指令碼中)執行比鏈更多的運算。

管道的一個簡單但強大的用法是記錄不同的資訊。

def log_head(df, head_count=10):     print(df.head(head_count))     return dfdef log_columns(df):     print(df.columns)     return dfdef log_shape(df):     print(f'shape = {df.shape}')     return df

和 pipe 一起使用的不同記錄函式。

舉個例子,我們想驗證和 year 列相比,country_year 是否正確:

(df .assign(valid_cy=lambda _serie: _serie.apply( lambda _row: re.split(r'(?=\d{4})', _row['country_year'])[1] == str(_row['year']), axis=1)) .query('valid_cy == False') .pipe(log_shape))

用來驗證「country_year」列中年份的管道。

管道的輸出是 DataFrame,但它也可以在標準輸出(console/REPL)中列印。

shape = (0, 13)

你也可以在一條鏈中用不同的 pipe。

(df .pipe(log_shape) .query('sex == "female"') .groupby(['year', 'country']) .agg({'suicides_per_100k':'sum'}) .pipe(log_shape) .rename(columns={'suicides_per_100k':'sum_suicides_per_100k_female'})# Recommended from v0.25# .agg(sum_suicides_per_100k_female=('suicides_per_100k', 'sum')) .nlargest(n=10, columns=['sum_suicides_per_100k_female']))

女性自殺數量最高的國家和年份。

生成的 DataFrame 如下所示:

從小白到大師,這裡有一份Pandas入門指南

索引是「年份」和「國家」。

標準輸出的列印如下所示:

shape = (27820, 12)shape = (2321, 1)

除了記錄到控制檯外,pipe 還可以直接在資料框的列上應用函式。

from sklearn.preprocessing import MinMaxScalerdef norm_df(df, columns):     return df.assign(**{col: MinMaxScaler().fit_transform(df[[col]].values.astype(float))      for col in columns})  for sex in ['male', 'female']:     print(sex)     print( df .query(f'sex == "{sex}"')     .groupby(['country'])     .agg({'suicides_per_100k': 'sum', 'gdp_year': 'mean'})     .rename(columns={'suicides_per_100k':'suicides_per_100k_sum',  'gdp_year': 'gdp_year_mean'})    # Recommended in v0.25    # .agg(suicides_per_100k=('suicides_per_100k_sum', 'sum'),     # gdp_year=('gdp_year_mean', 'mean'))     .pipe(norm_df, columns=['suicides_per_100k_sum', 'gdp_year_mean'])     .corr(method='spearman') )     print('\n')

自殺數量是否和 GDP 的下降相關?是否和性別相關?

上面的程式碼在控制檯中的列印如下所示:

male                    suicides_per_100k_sum gdp_year_meansuicides_per_100k_sum       1.000000         0.421218gdp_year_mean               0.421218         1.000000
female                     suicides_per_100k_sum gdp_year_meansuicides_per_100k_sum        1.000000         0.452343gdp_year_mean                0.452343         1.000000

深入研究程式碼。norm_df() 將一個 DataFrame 和用 MinMaxScaling 擴充套件列的列表當做輸入。使用字典理解,建立一個字典 {column_name: method, …},然後將其解壓為 assign() 函式的引數 (colunmn_name=method, …)。

在這種特殊情況下,min-max 縮放不會改變對應的輸出:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.corr.html,它僅用於引數

在(遙遠的?)未來,緩式評估(lazy evaluation)可能出現在方法鏈中,所以在鏈上做一些投資可能是一個好想法。

最後(隨機)的技巧

下面的提示很有用,但不適用於前面的任何部分:

itertuples() 可以更高效地遍歷資料框的行;

>>> %%time>>> for row in df.iterrows(): continueCPU times: user 1.97 s, sys: 17.3 ms, total: 1.99 s>>> for tup in df.itertuples(): continueCPU times: user 55.9 ms, sys: 2.85 ms, total: 58.8 ms

注意:tup 是一個 namedtuple

join() 用了 merge();

Jupyter 筆記本中,在程式碼塊的開頭寫上 %%time,可以有效地測量時間;

UInt8 類:https://pandas.pydata.org/pandas-docs/stable/user_guide/gotchas.html#support-for-integer-na支援帶有整數的 NaN 值;

記住,任何密集的 I/O(例如展開大型 CSV 儲存)用低階方法都會執行得更好(儘可能多地用 Python 的核心函式)。

還有一些本文沒有涉及到的有用的方法和資料結構,這些方法和資料結構都很值得花時間去理解:

資料透視表:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.pivot.html?source=post_page---------------------------

時間序列/日期功能:https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html?source=post_page---------------------------;

繪圖:https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html?source=post_page---------------------------。

總結

希望你可以因為這篇簡短的文章,更好地理解 Pandas 背後的工作原理,以及 Pandas 庫的發展現狀。本文還展示了不同的用於優化資料框記憶體以及快速分析資料的工具。希望對現在的你來說,索引和查詢的概念能更加清晰。最後,你還可以試著用方法鏈寫更長的鏈。

這裡還有一些筆記:https://github.com/unit8co/medium-pandas-wan?source=post_page---------------------------

除了文中的所有程式碼外,還包括簡單資料索引資料框(df)和多索引資料框(mi_df)效能的定時指標。

從小白到大師,這裡有一份Pandas入門指南

熟能生巧,所以繼續修煉技能,並幫助我們建立一個更好的世界吧。

PS:有時候純用 Numpy 會更快。

原文連結:https://medium.com/unit8-machine-learning-publication/from-pandas-wan-to-pandas-master-4860cf0ce442

相關文章