Pandas 是 python 的一个数据分析包，是基于 NumPy 的一种数据分析工具，其中纳入了大量库和一些规范的数据模型，提供了疾速便捷地解决数据的函数和办法，是高效地操作结构化数据集所需的工具，也是使 Python 成为弱小而高效的数据分析环境的重要因素之一。
然而置信常常应用 Pandas 的同学在解决结构化数据运算时也会遇到一些麻烦，这些问题要么使得问题解决很简单（代码难写），要么使得运行极其迟缓（效率低下），上面总结整顿了一些 Pandas 的艰难问题进行吐槽，如有舛误欢送斧正，也欢送大家加入到这次的“Pandas 吐槽大会”。
切片赋值
切片赋值，指取数据中的某个值或某一块值，批改其中的值，如把第 3 行第 5 列的 x 值批改为 y 值。
应用员工信息数据作为案例进行介绍，数据片段如下：
问题一：将 R &D 部门员工的工资改成 20000
Python 代码
运行后果：
SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc\[row\_indexer,col\_indexer\] = value instead
能够看到，报了这个 SettingWithCopyWarning，而且批改的值并没有起作用。置信这个问题对于大多数的 Pandas 用户并不生疏，那么怎么批改呢？
就像 SettingWithCopyWarning 中提醒的那样，应用 df.loc\[row\_indexer,col\_indexer\] = value 进行批改，这样不仅能够失去正确的后果，而且也能够解决报警的问题。
代码批改如下：
运行后果：
这才是 Pandas 解决问题的计划。
探讨：问题的本质是咱们想通过批改视图批改源数据。而 data\[data\[‘DEPT’\]==’R&D’\]\[‘SALARY’\]=2000 是将两个索引操作链接在一起，即间接应用了两次方括号的链式索引。
- data\[data\[‘DEPT’\]==’R&D’\]
- \[‘SALARY’\]=20000
以上两个链式操作一个接一个地独立执行。第一次链式操作是为了 Get，返回一个 DataFrame，其中蕴含所有 DEPT 等于 ‘R&D’ 的行；第二次链式操作是为了 Set，是在这个新返回的 DataFrame 上运行的，并没有批改原始的 DataFrame。而此时应用 loc 函数取得原 DataFrame 的视图，在视图上赋值就能够批改原始 DataFrame 的值。
这种问题还是比拟容易发现的，上面再来看一种状况：
问题二：批改 R&D 部门 5 号员工的工资为 19950
问题剖析：在理论的工作中，常常把视图赋值给某个变量进行后续的计算，直到某一步，又想批改其中的某行的值，此时再应用 loc 函数时也会呈现 SettingWithCopyWarning
Python 代码：
运行后果：
SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc\[row\_indexer,col\_indexer\] = value instead
察看发现，即便应用了 loc 函数，当再次应用 loc 函数时，还是会呈现 SettingWithCopyWarning 的报警，其中的起因还是将两个索引操作链接在一起，第一次为 get，第二次为 set。这次所不同的是赋值后果起作用了，失去了咱们冀望的后果。但咱们也不应该疏忽此 Warning，而是应该明确的通知 Pandas 变量 r_d 是 data 中截取视图的正本，而后再应用 loc 函数批改 5 号员工的工资。
代码如下：
运行后果：
探讨：var=df.copy() 是明确的告知此 var 是 DataFrame 的正本，此时再应用 loc 函数赋值时，就防止了两次链式索引，也就防止了 SettingWithCopyWarning 的正告。
Pandas 针对 df 的操作冷不防就会产生视图，赋值时会错位，同时也会浪费时间。
汇合运算
常见的汇合运算，包含交加，差集，并集，异或集和和集运算，上面来看下 Pandas 两个汇合间的运算。
问题三：求销售部门的员工与女员工的交加，差集，并集，异或集和和集。
Python 代码：
探讨：Pandas 汇合运算时，只能对着索引进行，而后再从原始数据中按索引截取失去后果。DataFrame 不能够间接进行汇合运算。而且当汇合数多于两个时，须要通过循环两两计算失去后果，再从原始数据按索引截取。当心愿依照某列进行汇合运算时，则还须要把该列转成索引，计算实现后还要重置索引，失去后果。对于简略的汇合运算看起来就很麻烦，如果 Pandas 能反对汇合 (set) 数据类型的汇合运算，通过符号 (&-|^) 进行运算就好了。
聚合运算
Pandas 提供了很多聚合运算函数，比方求和 sum()，均匀 mean()，计数 count()，方差 var()，标准差 std() 等等。但遇到略微非凡一点聚合运算时就有点麻烦，请看以下两个问题。
问题四：查看所有工资最高的员工的信息
问题剖析：首先找到最高工资，再筛选出等于最高工资的员工。
Python 代码：
探讨：这种形式须要遍历两边数据，计算最大值时一遍，过滤时一遍，效率比拟低。有一种形式能够只遍历一遍。即找最大值的同时记录下最大值员工的索引，而后间接利用索引取数就能够了。可是 Pandas 的 idxmax() 函数只返回一个最大值的索引，不能够返回全副最大值的索引，因而就只能用上边的笨办法来解决这个问题。
问题五：找到年龄最大的 5 位员工，即 TOPN 问题。
问题剖析：最大值是相当于 TOP1，因而 TOPN 问题也相当于聚合运算。
Python 代码：
探讨：TOPN 问题并不需要大排序，只须要保护一个 N 长度的序列即可，放弃序列中的 N 个数总是遍历过的数据中的最大值或者最小值即可。大家都晓得大排序的效率是很低的，而且当数据量很大时，大排序复杂度和效率又会进一步好转。但 Pandas 并没有提供高效的计算函数。即便是 nlargest() 和 nsmallest() 函数底层也是大排序后取前五。
定位计算
Pandas 提供了索引性能，用户能够应用索引进行切片等操作，但当遇到须要计算指定索引（即地位）比前一行的行就比拟麻烦，如上面这个问题：
问题六：计算股价超过 100 的交易日的当日涨幅
问题剖析：须要筛选出股价超过 100 的交易日的交易信息，将数据提前一天，应用雷同的索引截取两份数据，计算两者的涨幅。
Python 代码：
探讨：Python 并没有提供利用地位进行相干计算的函数，所以计算这类问题就略显麻烦。
分组运算
Pandas 提供了丰盛的分组运算，既能够依照列名分组，也能够依照指定的数组分组，既能够对单列应用多种形式聚合，也能够对多列聚合，还能够循环各组，解决分组当前的汇合。但有一些常见的分组运算应用 Pandas 做起来要么比拟繁琐，要么效率低下。
比方按地位分组、值变动分组、条件变动分组都须要衍生出一个数组作为分组根据，对位分组则须要应用 left join 的形式来绕，枚举分组更是须要屡次分组，筛选须要的分组再合并，这里有一篇文章具体介绍了 Pandas 分组运算的一些例子
Python 分组解决
大家能够通过具体的例子领会 Pandas 分组的不便之处。
并行运算
Pandas 并不提供并行计算的办法，这也是 Pandas 被诟病最多的一方面，而 Python 所谓的多线程对于 CPU 而言还是单线程。
大数据计算
Pandas 尽管能够应用分段读取的形式来获取数据，但想要实现一些简单的运算，比方排序、分组、关联等等都会十分十分麻烦，而且对程序员的技术要求也会很高。具体阐述能够查看另一篇文档。
Python 如何解决大文件