作为数据科学家，应用正确的工具和技术来最大限度地利用数据是很重要的。Pandas是数据操作、剖析和可视化的重要工具，无效地应用Pandas可能具备挑战性，从应用向量化操作到利用内置函数，这些最佳实际能够帮忙数据科学家应用Pandas疾速精确地剖析和可视化数据。
在本文中，咱们将重点介绍在DataFrame上常常执行的两个最常见的工作，特地是在数据迷信我的项目的数据操作阶段。这两项工作是无效地抉择特定的和随机的行和列，以及应用replace()函数应用列表和字典替换一个或多个值。
在本文中，咱们将应用上面的数据集:
- 扑克牌游戏数据集
- 婴儿名字数据集
咱们应用的第一个数据集是扑克牌游戏数据集，如下所示。
poker_data = pd.read_csv('poker_hand.csv') poker_data.head()在每个回合中，每个玩家手里有五张牌，每一张牌都有花色：红心、方块、梅花或黑桃，以及它的数字，范畴从1到13。该数据集由一个人能够领有的五张卡片的每一种可能组合组成。
Sn:第n张牌的符号，其中:1(红心)，2(方块)，3(梅花)，4(黑桃)
Rn:第n张牌的排名，其中:1(王牌)，2-10,11(J)，12(Q)，13(K)
第二个数据集是风行的婴儿名字数据集，其中包含2011年至2016年间最风行的新生儿名字：
names = pd.read_csv('Popular_Baby_Names.csv') names.head()该数据集还包含按年份、性别和种族划分的美国最受欢迎的名字。例如，2011年，Chloe 这个名字在所有亚裔和太平洋岛民女性新生儿中排名第二。
上面咱们开始进入正题
为什么须要高效的代码?
高效代码是指执行速度更快、计算容量更低的代码。在本文中，咱们将应用time()函数来测量计算工夫，咱们通过在执行前和执行后获取工夫，而后计算其差值取得代码的执行工夫。上面是一个简略的例子:
import time # record time before execution start_time = time.time() # execute operation result = 5 + 2 # record time after execution end_time = time.time() print("Result calculated in {} sec".format(end_time - start_time))让咱们看一个进步代码运行工夫并升高计算工夫复杂度的示例:咱们将计算每个数字的平方，从0到100万。首先，咱们将应用列表推导式来执行此操作，而后应用for循环反复雷同的过程。
首先应用列表推导式:
#using List comprehension list_comp_start_time = time.time() result = [i*i for i in range(0,1000000)] list_comp_end_time = time.time() print("Time using the list_comprehension: {} sec".format(list_comp_end_time - list_comp_start_time))应用for循环来执行雷同的操作:
# Using For loop for_loop_start_time= time.time() result=[] for i in range(0,1000000): result.append(i*i) for_loop_end_time= time.time() print("Time using the for loop: {} sec".format(for_loop_end_time - for_loop_start_time))能够看到它们之间有很大的差别，咱们能够用百分比来计算它们之间的差别:
list_comp_time = list_comp_end_time - list_comp_start_time for_loop_time = for_loop_end_time - for_loop_start_time print("Difference in time: {} %".format((for_loop_time - list_comp_time)/ list_comp_time*100))能够看到仅仅应用了不同的办法，然而在执行效率方面有了很大的不同。
应用.iloc[]和.loc[]抉择行和列
这里咱们将介绍如何应用.iloc[] & .loc[] pandas函数从数据中高效地定位和抉择行。咱们将应用iloc[]作为索引号定位器，应用loc[]作为索引名定位器。
在上面的例子中，咱们抉择扑克数据集的前500行。首先应用.loc[]函数，而后应用.iloc[]函数。
rows = range(0, 500) # Time selecting rows using .loc[] loc_start_time = time.time() poker_data.loc[rows] loc_end_time = time.time() print("Time using .loc[] : {} sec".format(loc_end_time - loc_start_time)) rows = range(0, 500) # Time selecting rows using .iloc[] iloc_start_time = time.time() poker_data.iloc[rows] iloc_end_time = time.time() print("Time using .iloc[]: {} sec".format(iloc_end_time - iloc_start_time)) loc_comp_time = loc_end_time - loc_start_time iloc_comp_time = iloc_end_time - iloc_start_time print("Difference in time: {} %".format((loc_comp_time - iloc_comp_time)/ iloc_comp_time*100))尽管这两个办法应用的形式是雷同的，但iloc[]的执行速度比loc[]快近70%。这是因为.iloc[]函数利用了索引的程序，索引曾经排序因而速度更快。
咱们还能够应用它们来抉择列，而不仅仅是行。在下一个示例中，咱们将应用这两种办法抉择前三列。
iloc_start_time = time.time() poker_data.iloc[:,:3] iloc_end_time = time.time() print("Time using .iloc[]: {} sec".format(iloc_end_time - iloc_start_time)) names_start_time = time.time() poker_data[['S1', 'R1', 'S2']] names_end_time = time.time() print("Time using selection by name: {} sec".format(names_end_time - names_start_time)) loc_comp_time = names_end_time - names_start_time iloc_comp_time = iloc_end_time - iloc_start_time print("Difference in time: {} %".format((loc_comp_time - iloc_comp_time)/ loc_comp_time*100))能够看到，应用.iloc[]进行列索引依然要快80%。所以最好应用.iloc[]，因为它更快，除非应用loc[]更容易按名称抉择某些列。
替换DF中的值
替换DataFrame中的值是一项十分重要的工作，特地是在数据清理阶段。
让咱们来看看之前加载的婴儿名字数据集:
首先看看性别列:
names['Gender'].unique()咱们能够看到，女性用大写和小写两个值示意。这在理论数据中十分常见，然而对于咱们来说只须要一个对立的示意就能够了，所以咱们须要将其中一个值替换为另一个值。这里有两种办法，第一种是简略地定义咱们想要替换的值，而后咱们想用什么替换它们。如上面的代码所示:
start_time = time.time() names['Gender'].loc[names.Gender=='female'] = 'FEMALE' end_time = time.time() pandas_time = end_time - start_time print("Replace values using .loc[]: {} sec".format(pandas_time))第二种办法是应用panda的内置函数.replace()，如下所示:
start_time = time.time() names['Gender'].replace('female', 'FEMALE', inplace=True) end_time = time.time() replace_time = end_time - start_time print("Time using replace(): {} sec".format(replace_time))能够看到，与应用.loc()办法查找值的行和列索引并替换它相比，内置函数的快了157%。
print('The differnce: {} %'.format((pandas_time- replace_time )/replace_time*100))咱们还能够应用列表替换多个值。比如说将所有WHITE NON-HISPANIC或WHITE NON-HISP都改为WNH。这里咱们应用.loc[]函数和' or '语句定位咱们正在寻找的种族。而后进行替换赋值。
start_time = time.time() names['Ethnicity'].loc[(names["Ethnicity"] == 'WHITE NON HISPANIC') | (names["Ethnicity"] == 'WHITE NON HISP')] = 'WNH' end_time = time.time() pandas_time= end_time - start_time print("Results from the above operation calculated in %s seconds" %(pandas_time))或者应用pandas内置.replace() 函数执行雷同的操作，如下所示:
start_time = time.time() names['Ethnicity'].replace(['WHITE NON HISPANIC','WHITE NON HISP'], 'WNH', inplace=True) end_time = time.time() replace_time = end_time - start_time print("Time using .replace(): {} sec".format(replace_time))咱们能够再次看到，应用.replace()办法比应用.loc[]办法快得多。为了更好地直观地理解它有多快，让咱们运行上面的代码:
print('The differnce: {} %'.format((pandas_time- replace_time )/replace_time*100)).replace()办法比应用.loc[]办法快87%。如果数据很大，须要大量的清理，它将无效的缩小数据清理的计算工夫，并使pandas代码更快。
最初，咱们还能够应用字典替换DataFrame中的单个值和多个值。如果想在一个命令中应用多个替换函数，这将是十分有用的。
咱们要用字典把每个男性的性别替换为BOY，把每个女性的性别替换为GIRL。
names = pd.read_csv('Popular_Baby_Names.csv') start_time = time.time() names['Gender'].replace({'MALE':'BOY', 'FEMALE':'GIRL', 'female': 'girl'}, inplace=True) end_time = time.time() dict_time = end_time - start_time print("Time using .replace() with dictionary: {} sec".format(dict_time)) names = pd.read_csv('Popular_Baby_Names.csv') start_time = time.time() names['Gender'].replace('MALE', 'BOY', inplace=True) names['Gender'].replace('FEMALE', 'GIRL', inplace=True) names['Gender'].replace('female', 'girl', inplace=True) end_time = time.time() list_time = end_time - start_time print("Time using multiple .replace(): {} sec".format(list_time))比拟这两种办法，能够看到应用字典的运行速度快了大概22%。
应用字典能够替换几个不同列上的雷同值。咱们想把所有种族分成三大类:黑人、亚洲人和白人。这里的代码也非常简单。应用嵌套字典:外键是咱们要替换值的列名。值是另一个字典，其中的键是要替换的字典。
start_time = time.time() names.replace({'Ethnicity': {'ASIAN AND PACI': 'ASIAN', 'ASIAN AND PACIFIC ISLANDER': 'ASIAN', 'BLACK NON HISPANIC': 'BLACK', 'BLACK NON HISP': 'BLACK', 'WHITE NON HISPANIC': 'WHITE', 'WHITE NON HISP': 'WHITE'}}) print("Time using .replace() with dictionary: {} sec".format (time.time() - start_time))总结
- 应用.iloc[]函数能够更快地抉择行和列并且它比loc[]要快，然而loc[] 提供了一些更不便的性能，如果速度不是优先思考或者iloc[]实现的比拟麻烦的话，再思考应用loc[]。
- 应用内置的replace()函数比应用传统办法快得多。
- 应用python字典替换多个值比应用列表更快。
本文代码：https://avoid.overfit.cn/post/2c0d17effb934e6da75c33e6402029c6
作者：Youssef Hosni