加速数据分析，这12种高效Numpy和Pandas函数为你保驾护航 选自TowardsDataScience 作者：Kunal Dhariwal 机器之心编译 参与：Jamin、杜伟、张倩 我们都知道，Numpy 是 Python 环境下的扩展程序库，支持大量的维度数组和矩阵运算；Pandas 也是 Python 环境下的数据操作和分析软件包，以及强大的数据分析库。二者在日常的数据分析中都发挥着重要作用，如果没有 Numpy 和 Pandas 的支持，数据分析将变得异常困难。但有时我们需要加快数据分析的速度，有什么办法可以帮助到我们吗？ 在本文中，数据和分析工程师 Kunal Dhariwal 为我们介绍了 12 种 Numpy 和 Pandas 函数，这些高效的函数会令数据分析更为容易、便捷。最后，读者也可以在 GitHub 项目中找到本文所用代码的 Jupyter Notebook。 项目地址：https://github.com/kunaldhariwal/12-Amazing-Pandas-NumPy-Functions Numpy 的 6 种高效函数 首先从 Numpy 开始。Numpy 是用于科学计算的 Python 语言扩展包，通常包含强大的 N 维数组对象、复杂函数、用于整合 C/C++和 Fortran 代码的工具以及有用的线性代数、傅里叶变换和随机数生成能力。 除了上面这些明显的用途，Numpy 还可以用作通用数据的高效多维容器（container），定义任何数据类型。这使得 Numpy 能够实现自身与各种数据库的无缝、快速集成。 接下来一一解析 6 种 Numpy 函数。 argpartition() 借助于 argpartition()，Numpy 可以找出 N 个最大数值的索引，也会将找到的这些索引输出。然后我们根据需要对数值进行排序。 x=np.array([12,10,12,0,6,8,9,1,16,4,6,0])index_val=np.argpartition(x,-4)[-4:] index_val array([1,8,2,0],dtype=int64)np.sort(x[index_val]) array([10,12,12,16]) allclose() allclose() 用于匹配两个数组，并得到布尔值表示的输出。如果在一个公差范围内（within a tolerance）两个数组不等同，则 allclose() 返回 False。该函数对于检查两个数组是否相似非常有用。 array1=np.array([0.12,0.17,0.24,0.29]) array2=np.array([0.13,0.19,0.26,0.31])#withatoleranceof0.1,itshouldreturnFalse: np.allclose(array1,array2,0.1) False#withatoleranceof0.2,itshouldreturnTrue: np.allclose(array1,array2,0.2) True clip() Clip() 使得一个数组中的数值保持在一个区间内。有时，我们需要保证数值在上下限范围内。为此，我们可以借助 Numpy 的 clip() 函数实现该目的。给定一个区间，则区间外的数值被剪切至区间上下限（interval edge）。 x=np.array([3,17,14,23,2,2,6,8,1,2,16,0])np.clip(x,2,5) array([3,5,5,5,2,2,5,5,2,2,5,2]) extract() 顾名思义，extract() 是在特定条件下从一个数组中提取特定元素。借助于 extract()，我们还可以使用 and 和 or 等条件。 #Randomintegers array=np.random.randint(20,size=12) array array([0,1,8,19,16,18,10,11,2,13,14,3])#Divideby2andcheckifremainderis1 cond=np.mod(array,2)==1 cond array([False,True,False,True,False,False,False,True,False,True,False,True])#Useextracttogetthevalues np.extract(cond,array) array([1,19,11,13,3])#Applyconditiononextractdirectly np.extract(((array3)|(array15)),array) array([0,1,19,16,18,2]) where() Where() 用于从一个数组中返回满足特定条件的元素。比如，它会返回满足特定条件的数值的索引位置。Where() 与 SQL 中使用的 where condition 类似，如以下示例所示： y=np.array([1,5,6,8,1,7,3,6,9])#Whereyisgreaterthan5,returnsindexposition np.where(y5) array([2,3,5,7,8],dtype=int64),)#Firstwillreplacethevaluesthatmatchthecondition, #secondwillreplacethevaluesthatdoesnot np.where(y5,"Hit","Miss") array(['Miss','Miss','Hit','Hit','Miss','Hit','Miss','Hit','Hit'],dtype='U4') percentile() Percentile() 用于计算特定轴方向上数组元素的第 n 个百分位数。 a=np.array([1,5,6,8,1,7,3,6,9])print("50thPercentileofa,axis=0:", np.percentile(a,50,axis=0)) 50thPercentileofa,axis=0:6.0b=np.array([[10,7,4],[3,2,1]])print("30thPercentileofb,axis=0:", np.percentile(b,30,axis=0)) 30thPercentileofb,axis=0:[5.13.51.9] 这就是 Numpy 扩展包的 6 种高效函数，相信会为你带来帮助。接下来看一看 Pandas 数据分析库的 6 种函数。 Pandas 数据统计包的 6 种高效函数 Pandas 也是一个 Python 包，它提供了快速、灵活以及具有显著表达能力的数据结构，旨在使处理结构化 (表格化、多维、异构) 和时间序列数据变得既简单又直观。 Pandas 适用于以下各类数据: 具有异构类型列的表格数据，如 SQL 表或 Excel 表； 有序和无序 (不一定是固定频率) 的时间序列数据； 带有行/列标签的任意矩阵数据（同构类型或者是异构类型）； 其他任意形式的统计数据集。事实上，数据根本不需要标记就可以放入 Pandas 结构中。 Pandas 擅长处理的类型如下所示： 容易处理浮点数据和非浮点数据中的 缺失数据（用 NaN 表示）； 大小可调整性: 可以从 DataFrame 或者更高维度的对象中插入或者是删除列； 显式数据可自动对齐: 对象可以显式地对齐至一组标签内，或者用户可以简单地选择忽略标签，使 Series、 DataFrame 等自动对齐数据； 灵活的分组功能，对数据集执行拆分-应用-合并等操作，对数据进行聚合和转换； 简化将数据转换为 DataFrame 对象的过程，而这些数据基本是 Python 和 NumPy 数据结构中不规则、不同索引的数据； 基于标签的智能切片、索引以及面向大型数据集的子设定； 更加直观地合并以及连接数据集； 更加灵活地重塑、转置（pivot）数据集； 轴的分级标记 (可能包含多个标记)； 具有鲁棒性的 IO 工具，用于从平面文件 (CSV 和 delimited)、 Excel 文件、数据库中加在数据，以及从 HDF5 格式中保存 / 加载数据； 时间序列的特定功能: 数据范围的生成以及频率转换、移动窗口统计、数据移动和滞后等。 read_csv(nrows=n) 大多数人都会犯的一个错误是，在不需要.csv 文件的情况下仍会完整地读取它。如果一个未知的.csv 文件有 10GB，那么读取整个.csv 文件将会非常不明智，不仅要占用大量内存，还会花很多时间。我们需要做的只是从.csv 文件中导入几行，之后根据需要继续导入。 importio importrequests#Iamusingthisonlinedatasetjusttomakethingseasierforyouguys url="https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv" s=requests.get(url).content#readonlyfirst10rows df=pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10,index_col=0) map() map( ) 函数根据相应的输入来映射 Series 的值。用于将一个 Series 中的每个值替换为另一个值，该值可能来自一个函数、也可能来自于一个 dict 或 Series。 #createadataframe dframe=pd.DataFrame(np.random.randn(4,3),columns=list('bde'),index=['India','USA','China','Russia'])#computeaformattedstringfromeachfloatingpointvalueinframe changefn=lambdax:'%.2f'%x#Makechangeselement-wise dframe['d'].map(changefn) apply() apply() 允许用户传递函数，并将其应用于 Pandas 序列中的每个值。 #maxminusmixlambdafn fn=lambdax:x.max()-x.min()#Applythisondframethatwe'vejustcreatedabove dframe.apply(fn) isin() lsin () 用于过滤数据帧。Isin () 有助于选择特定列中具有特定（或多个）值的行。 #Usingthedataframewecreatedforread_csv filter1=df["value"].isin([112]) filter2=df["time"].isin([1949.000000])df[filter1filter2] copy() Copy () 函数用于复制 Pandas 对象。当一个数据帧分配给另一个数据帧时，如果对其中一个数据帧进行更改，另一个数据帧的值也将发生更改。为了防止这类问题，可以使用 copy () 函数。 #creatingsampleseries data=pd.Series(['India','Pakistan','China','Mongolia'])#Assigningissuethatweface data1=data #Changeavalue data1[0]='USA' #Alsochangesvalueinolddataframe data#Topreventthat,weuse #creatingcopyofseries new=data.copy()#assigningnewvalues new[1]='Changedvalue'#printingdata print(new) print(data) select_dtypes() select_dtypes() 的作用是，基于 dtypes 的列返回数据帧列的一个子集。这个函数的参数可设置为包含所有拥有特定数据类型的列，亦或者设置为排除具有特定数据类型的列。 #We'llusethesamedataframethatweusedforread_csv framex=df.select_dtypes(include="float64")#Returnsonlytimecolumn 最后，pivot_table( ) 也是 Pandas 中一个非常有用的函数。如果对 pivot_table( ) 在 excel 中的使用有所了解，那么就非常容易上手了。 #Createasampledataframe school=pd.DataFrame({'A':['Jay','Usher','Nicky','Romero','Will'], 'B':['Masters','Graduate','Graduate','Masters','Graduate'], 'C':[26,22,20,23,24]})#Letscreateapivottabletosegregatestudentsbasedonageandcourse table=pd.pivot_table(school,values='A',index=['B','C'], columns=['B'],aggfunc=np.sum,fill_value="NotAvailable") table 原文链接：https://towardsdatascience.com/12-amazing-pandas-numpy-functions-22e5671a45b8 本文为机器之心编译，转载请联系本公众号获得授权。 ?------------------------------------------------加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com投稿或寻求报道：content@jiqizhixin.com广告 & 商务合作：bd@jiqizhixin.com