文章來源：towardsdatascience作者：Soner Yldrm
看標題是否似曾相似？之前為大家介紹過10個高效的pandas函數，頗受歡迎，裡面的每一個函數都能幫我們在數據分析過程中節省時間。
高效的10個Pandas函數，你都用過嗎？
pandas還有很多讓人舒適的用法，這次再為大家介紹5個pandas函數，作為這個系列的第二篇。
1. explode
explode用於將一行數據展開成多行。比如說dataframe中某一行其中一個元素包含多個同類型的數據，若想要展開成多行進行分析，這時候explode就派上用場，而且只需一行代碼，非常節省時間。
用法：
DataFrame.explode(self, column: Union[str, Tuple])
參數作用：
column ：str或tuple以下表中第三行、第二列為例，展開[2,3,8]：
# 先創建表id = ['a','b','c']measurement = [4,6,[2,3,8]]day = [1,1,1]df1 = pd.DataFrame({'id':id, 'measurement':measurement, 'day':day})df1
使用explode輕鬆將[2,3,8]轉換成多行，且行內其他元素保持不變。
df1.explode('measurement').reset_index(drop=True)
2. Nunique
Nunique用於計算行或列上唯一值的數量，即去重後計數。這個函數在分類問題中非常實用，當不知道某欄位中有多少類元素時，Nunique能快速生成結果。
用法：
Series.nunique(dropna=True)# 或者DataFrame.nunique(axis=0, dropna=True)
參數作用：
axis：int型，0代表行，1代表列，默認0；dropna：bool類型，默認為True，計數中不包括NaN；先創建一個df：
values_1 = np.random.randint(10, size=10)values_2 = np.random.randint(10, size=10)years = np.arange(2010,2020)groups = ['A','A','B','A','B','B','C','A','C','C']df = pd.DataFrame({'group':groups, 'year':years, 'value_1':values_1, 'value_2':values_2})df
對year列進行唯一值計數：
df.year.nunique()
輸出：10 對整個dataframe的每一個欄位進行唯一值計數：
df.nunique()
3. infer_objects
infer_objects用於將object類型列推斷為更合適的數據類型。
用法：
# 直接將df或者series推斷為合適的數據類型DataFrame.infer_objects()
pandas支持多種數據類型，其中之一是object類型。object類型包括字符串和混合值（數字及非數字）。
object類型比較寬泛，如果可以確定為具體數據類型，則不建議用object。
df = pd.DataFrame({"A": ["a", 1, 2, 3]})df = df.iloc[1:]df
df.dtypes
使用infer_objects方法將object推斷為int類型：
df.infer_objects().dtypes
4. memory_usage
memory_usage用於計算dataframe每一列的字節存儲大小，這對於大數據表非常有用。
用法：
DataFrame.memory_usage(index=True, deep=False)
參數解釋：index：指定是否返回df中索引字節大小，默認為True，返回的第一行即是索引的內存使用情況；deep：如果為True，則通過查詢object類型進行系統級內存消耗來深入地檢查數據，並將其包括在返回值中。
首先創建一個df，共2列，1000000行。
df_large = pd.DataFrame({'A': np.random.randn(1000000),'B': np.random.randint(100, size=1000000)})df_large.shape
返回每一列的佔用字節大小：
df_large.memory_usage()
第一行是索引index的內存情況，其餘是各列的內存情況。
5. replace
顧名思義，replace是用來替換df中的值，賦以新的值。
用法：
DataFrame.replace(to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad')
參數解釋：
to_replace：被替換的值value：替換後的值inplace：是否要改變原數據，False是不改變，True是改變，默認是Falselimit：控制填充次數regex：是否使用正則,False是不使用，True是使用，默認是Falsemethod：填充方式，pad,ffill,bfill分別是向前、向前、向後填充創建一個df：
values_1 = np.random.randint(10, size=10)values_2 = np.random.randint(10, size=10)years = np.arange(2010,2020)groups = ['A','A','B','A','B','B','C','A','C','C']df = pd.DataFrame({'group':groups, 'year':years, 'value_1':values_1, 'value_2':values_2})df
將A全部替換為D：
df.replace('A','D')
將B替換為E，C替換為F：
df.replace({'B':'E','C':'F'})