選自Medium
作者：Rudolf Hhn機器之心編譯
參與：李詩萌、張倩
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、內存優化等問題。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；內存優化；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了解的函數的文檔字符串（docstrings）。簡單的 Google 搜索和幾秒鐘 Pandas 文檔的閱讀，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 程式語言提供了高性能、易於使用的數據架構以及數據分析工具」。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）的數據抽象，通過管理索引來快速訪問數據、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)
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）並刪除了未使用的代碼庫（如 SparseDataFrame）。
數據
讓我們開始吧！選擇「1985 到 2016 年間每個國家的自殺率」作為玩具數據集。這個數據集足夠簡單，但也足以讓你上手 Pandas。
數據集連結：https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016
在深入研究代碼之前，如果你想重現結果，要先執行下面的代碼準備數據，確保列名和類型是正確的。
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文件，在 read_csv（https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html）中參數設定為 chunksize=N，這會返回一個可以輸出 DataFrame 對象的迭代器。
這裡有一些關於這個數據集的描述：
>>> 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。有一些獲得這些信息的方法：
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數據（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；
可以用 head() 和 tail() 來可視化數據框的一小部分。
通過這些方法，你可以迅速了解正在分析的表格文件。
內存優化
在處理數據之前，了解數據並為數據框的每一列選擇合適的類型是很重要的一步。
在內部，Pandas 將數據框存儲為不同類型的 numpy 數組（比如一個 float64 矩陣，一個 int32 矩陣）。
有兩種可以大幅降低內存消耗的方法。
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，這種方法可以分析數據框的內存消耗。在代碼中，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
了解列的類型（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% 的內存使用：
了解數據框使用的類型；了解數據框可以使用哪種類型來減少內存的使用（例如，price 這一列值在 0 到 59 之間，只帶有一位小數，使用 float64 類型可能會產生不必要的內存開銷）除了降低數值類型的大小（用 int32 而不是 int64）外，Pandas 還提出了分類類型：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 類型是一樣的。
這種分類類型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。和多次存儲相同的字符串「瑞士」或「波蘭」比起來，為什麼不簡單地用 0 和 1 替換它們，並存儲在字典中呢？
categorical_dict = {0: 'Switzerland', 1: 'Poland'}
Pandas 做了幾乎相同的工作，同時添加了所有的方法，可以實際使用這種類型，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%，它會自動將列類型轉換成 category。這個數是任意的，但是因為數據框中類型的轉換意味著在 numpy 數組間移動數據，因此我們得到的必須比失去的多。
接下來看看數據中會發生什麼。
>>> 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「智能」轉換器，數據框使用的內存幾乎減少了 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。當你加載 DataFrame 時，它會創建索引並將數據存儲在 numpy 數組中。這是什麼意思？一旦加載了數據框，只要正確管理索引，就可以快速地訪問數據。
訪問數據的方法主要有兩種，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 s, total: 8.02 ms# ==================>>> %%time>>> mi_df.loc['Albania', 1987, 'male', '25-34 years']CPU times: user 459 s, sys: 1 s, total: 460 s
什麼？加速 20 倍？
你要問自己了，創建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
通過查詢訪問數據的時間是 1.5 倍。如果你只想檢索一次數據（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數據框，但無法修改數據框。如果需要手動構建（比如使用循環），那就要考慮其他的數據結構了（比如字典、列表等），在準備好所有數據後，創建 DataFrame。否則，對於 DataFrame 中的每一個新行，Pandas 都會更新索引，這可不是簡單的哈希映射。
>>> (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性能。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 高級索引用戶指南：https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html；Pandas 庫中的索引代碼：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存儲中間變量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，第二段代碼更漂亮也更簡潔。
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 對象或 Series 對象（或 DataFrameGroupBy）。
了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
在得到的數據框中，「年齡」列是索引。
除了了解到「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 對象，在這個對象中，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）函數。
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。
「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']])
「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 腳本中）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信息。
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數。
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：
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)
除了記錄到控制臺外，pipe 還可以直接在數據框的列上應用函數。
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？
上面的代碼在控制臺中的列印如下所示：
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
深入研究代碼。norm_df() 將一個 DataFrame 和用 MinMaxScaling 擴展列的列表當做輸入。使用字典理解，創建一個字典 {column_name: method, …}，然後將其解壓為 assign() 函數的參數 (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，它僅用於參數。
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() 可以更高效地遍歷數據框的行；
>>> %%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()；在 Jupyter 筆記本中，在代碼塊的開頭寫上 %%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支持帶有整數的 NaN 值；
記住，任何密集的 I/O（例如展開大型 CSV 存儲）用低級方法都會執行得更好（儘可能多地用 Python 的核心函數）。
還有一些本文沒有涉及到的有用的方法和數據結構，這些方法和數據結構都很值得花時間去理解：
數據透視表：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數據框內存以及快速分析數據的工具。希望對現在的你來說，索引和查找的概念能更加清晰。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---------------------------
除了文中的所有代碼外，還包括簡單數據索引數據框（df）和多索引數據框（mi_df）性能的定時指標。
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