共计 6020 个字符，预计需要花费 16 分钟才能阅读完成。
本文所整顿的技巧与以前整顿过 10 个 Pandas 的罕用技巧不同，你可能并不会常常的应用它，然而有时候当你遇到一些十分辣手的问题时，这些技巧能够帮你疾速解决一些不常见的问题。
1、Categorical 类型
默认状况下，具备无限数量选项的列都会被调配 object 类型。然而就内存来说并不是一个无效的抉择。咱们能够这些列建设索引，并仅应用对对象的援用而理论值。Pandas 提供了一种称为 Categorical 的 Dtype 来解决这个问题。
例如一个带有图片门路的大型数据集组成。每行有三列：anchor, positive, and negative.。
如果类别列应用 Categorical 能够显着缩小内存使用量。
# raw data
+----------+------------------------+
| class | filename |
+----------+------------------------+
|Bathroom|Bathroom\bath_1.jpg |
|Bathroom|Bathroom\bath_100.jpg |
|Bathroom|Bathroom\bath_1003.jpg|
|Bathroom|Bathroom\bath_1004.jpg|
|Bathroom|Bathroom\bath_1005.jpg|
+----------+------------------------+
# target
+------------------------+------------------------+----------------------------+
| anchor | positive | negative |
+------------------------+------------------------+----------------------------+
|Bathroom\bath_1.jpg |Bathroom\bath_100.jpg |Dinning\din_540.jpg |
|Bathroom\bath_100.jpg |Bathroom\bath_1003.jpg|Dinning\din_1593.jpg |
|Bathroom\bath_1003.jpg|Bathroom\bath_1004.jpg|Bedroom\bed_329.jpg |
|Bathroom\bath_1004.jpg|Bathroom\bath_1005.jpg|Livingroom\living_1030.jpg|
|Bathroom\bath_1005.jpg|Bathroom\bath_1007.jpg|Bedroom\bed_1240.jpg |
+------------------------+------------------------+----------------------------+filename 列的值会常常被复制反复。因而，所以通过应用 Categorical 能够极大的缩小内存使用量。
让咱们读取指标数据集，看看内存的差别：
triplets.info(memory_usage="deep")
# Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 anchor 525000 non-null category
# 1 positive 525000 non-null category
# 2 negative 525000 non-null category
# dtypes: category(3)
# memory usage: 4.6 MB
# without categories
triplets_raw.info(memory_usage="deep")
# Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 anchor 525000 non-null object
# 1 positive 525000 non-null object
# 2 negative 525000 non-null object
# dtypes: object(3)
# memory usage: 118.1 MB差别十分大，并且随着反复次数的减少，差别呈非线性增长。
2、行列转换
sql 中常常会遇到行列转换的问题，Pandas 有时候也须要，让咱们看看来自 Kaggle 较量的数据集。census_start .csv 文件:
能够看到，这些按年来保留的，如果有一个列 year 和 pct_bb，并且每一行有相应的值，则会好得多，对吧。
cols=sorted([colforcolinoriginal_df.columns \
ifcol.startswith("pct_bb")])
df=original_df[(["cfips"] +cols)]
df=df.melt(id_vars="cfips",
value_vars=cols,
var_name="year",
value_name="feature").sort_values(by=["cfips", "year"])看看后果，这样是不是就好很多了：
3、apply()很慢
咱们上次曾经介绍过，最好不要应用这个办法，因为它遍历每行并调用指定的办法。然而要是咱们没有别的抉择，那还有没有方法进步速度呢？
能够应用 swifter 或 pandarallew 这样的包，使过程并行化。
Swifter
importpandasaspd
importswifter
deftarget_function(row):
returnrow*10
deftraditional_way(data):
data['out'] =data['in'].apply(target_function)
defswifter_way(data):
data['out'] =data['in'].swifter.apply(target_function)Pandarallel
importpandasaspd
frompandarallelimportpandarallel
deftarget_function(row):
returnrow*10
deftraditional_way(data):
data['out'] =data['in'].apply(target_function)
defpandarallel_way(data):
pandarallel.initialize()
data['out'] =data['in'].parallel_apply(target_function)通过多线程，能够进步计算的速度，当然当然，如果有集群，那么最好应用 dask 或 pyspark
4、空值，int, Int64
规范整型数据类型不反对空值，所以会主动转换为浮点数。所以如果数据要求在整数字段中应用空值，请思考应用 Int64 数据类型，因为它会应用 pandas.NA 来示意空值。
5、Csv, 压缩还是 parquet?
尽可能抉择 parquet。parquet 会保留数据类型，在读取数据时就不须要指定 dtypes。parquet 文件默认曾经应用了 snappy 进行压缩，所以占用的磁盘空间小。上面能够看看几个的比照
| file | size |
+------------------------+---------+
|triplets_525k.csv |38.4MB|
|triplets_525k.csv.gzip| 4.3MB|
|triplets_525k.csv.zip | 4.5MB|
|triplets_525k.parquet | 1.9MB|
+------------------------+---------+读取 parquet 须要额定的包，比方 pyarrow 或 fastparquet。chatgpt 说 pyarrow 比 fastparquet 要快，然而我在小数据集上测试时 fastparquet 比 pyarrow 要快，然而这里倡议应用 pyarrow，因为 pandas 2.0 也是默认的应用这个。
6、value_counts ()
计算绝对频率，包含取得绝对值、计数和除以总数是很简单的，然而应用 value_counts，能够更容易地实现这项工作，并且该办法提供了蕴含或排除空值的选项。
df = pd.DataFrame({"a": [1, 2, None], "b": [4., 5.1, 14.02]})
df["a"] = df["a"].astype("Int64")
print(df.info())
print(df["a"].value_counts(normalize=True, dropna=False),
df["a"].value_counts(normalize=True, dropna=True), sep="\n\n")这样是不是就简略很多了
7、Modin
留神：Modin 当初还在测试阶段。
pandas 是单线程的，但 Modin 能够通过缩放 pandas 来放慢工作流程，它在较大的数据集上工作得特地好，因为在这些数据集上，pandas 会变得十分迟缓或内存占用过大导致 OOM。
!pip install modin[all]
import modin.pandas as pd
df = pd.read_csv("my_dataset.csv")以下是 modin 官网的架构图，有趣味的钻研把：
8、extract()
如果常常遇到简单的半结构化的数据，并且须要从中拆散出独自的列，那么能够应用这个办法：
importpandasaspd
regex= (r'(?P<title>[A-Za-z\'\s]+),'r'(?P<author>[A-Za-z\s\']+),'
r'(?P<isbn>[\d-]+),'
r'(?P<year>\d{4}),'
r'(?P<publisher>.+)')
addr=pd.Series([
"The Lost City of Amara,Olivia Garcia,978-1-234567-89-0,2023,HarperCollins",
"The Alchemist's Daughter,Maxwell Greene,978-0-987654-32-1,2022,Penguin Random House","The Last Voyage of the HMS Endeavour,Jessica Kim,978-5-432109-87-6,2021,Simon & Schuster","The Ghosts of Summer House,Isabella Lee,978-3-456789-12-3,2000,Macmillan Publishers","The Secret of the Blackthorn Manor,Emma Chen,978-9-876543-21-0,2023,Random House Children's Books"
])
addr.str.extract(regex)9、读写剪贴板
这个技巧有人一次也用不到，然而有人可能就是须要，比方：在剖析中蕴含 PDF 文件中的表格时。通常的办法是复制数据，粘贴到 Excel 中，导出到 csv 文件中，而后导入 Pandas。然而，这里有一个更简略的解决方案:pd.read_clipboard()。咱们所须要做的就是复制所需的数据并执行一个办法。
有读就能够写，所以还能够应用 to_clipboard()办法导出到剪贴板。
然而要记住，这里的剪贴板是你运行 python/jupyter 主机的剪切板，并不可能跨主机粘贴，肯定不要搞混了。
10、数组列分成多列
假如咱们有这样一个数据集，这是一个相当典型的状况:
import pandas as pd
df = pd.DataFrame({"a": [1, 2, 3],
"b": [4, 5, 6],
"category": [["foo", "bar"], ["foo"], ["qux"]]})
# let's increase the number of rows in a dataframe
df = pd.concat([df]*10000, ignore_index=True)咱们想将 category 分成多列显示，例如上面的
先看看最慢的 apply：
def dummies_series_apply(df):
return df.join(df['category'].apply(pd.Series) \
.stack() \
.str.get_dummies() \
.groupby(level=0) \
.sum()) \
.drop("category", axis=1)
%timeit dummies_series_apply(df.copy())
#5.96 s ± 66.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)sklearn 的 MultiLabelBinarizer
from sklearn.preprocessing import MultiLabelBinarizer
def sklearn_mlb(df):
mlb = MultiLabelBinarizer()
return df.join(pd.DataFrame(mlb.fit_transform(df['category']), columns=mlb.classes_)) \
.drop("category", axis=1)
%timeit sklearn_mlb(df.copy())
#35.1 ms ± 1.31 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)是不是快了很多，咱们还能够应用个别的向量化操作对其求和：
def dummies_vectorized(df):
return pd.get_dummies(df.explode("category"), prefix="cat") \
.groupby(["a", "b"]) \
.sum() \
.reset_index()
%timeit dummies_vectorized(df.copy())
#29.3 ms ± 1.22 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)应用第一个办法 (在 StackOverflow 上的答复中十分常见) 会给出一个十分慢的后果。而其余两个优化的办法的工夫是十分疾速的。
总结
我心愿每个人都能从这些技巧中学到一些新的货色。重要的是要记住尽可能应用向量化操作而不是 apply()。此外，除了 csv 之外，还有其余乏味的存储数据集的办法。不要遗记应用分类数据类型，它能够节俭大量内存。感激浏览!
https://avoid.overfit.cn/post/bf6e2fa626494a3789aa6b4d49657448
作者：Dmytro Samchuk
