Python庫(kù)pandas使用的5種技巧

Python 正迅速成為數(shù)據(jù)科學(xué)家們更為鐘愛的編程語(yǔ)言。形成該現(xiàn)狀的理由非常充分：Python 提供了一種覆蓋范圍更為廣闊的編程語(yǔ)言生態(tài)系統(tǒng)，以及具有一定計(jì)算深度且性能良好的科學(xué)計(jì)算庫(kù)。

在 Python 自帶的科學(xué)計(jì)算庫(kù)中，Pandas 模塊是最適于數(shù)據(jù)科學(xué)相關(guān)操作的工具。本文著重介紹了 Python 中數(shù)據(jù)處理的 5種方法。

首先導(dǎo)入相關(guān)模塊并加載數(shù)據(jù)集到 Python 環(huán)境中：

import pandas as pd

import numpy as np

data = pd.read_csv("***.csv", index_col="Loan_ID")

1. Apply 函數(shù)

Apply 函數(shù)是處理數(shù)據(jù)和建立新變量的常用函數(shù)之一。在向數(shù)據(jù)框的每一行或每一列傳遞指定函數(shù)后，Apply 函數(shù)會(huì)返回相應(yīng)的值。這個(gè)由 Apply 傳入的函數(shù)可以是系統(tǒng)默認(rèn)的或者用戶自

def num_missing(x):

return sum(x.isnull())

#Applying per column:

print "Missing values per column:"

print data.apply(num_missing, axis=0)

2.填補(bǔ)缺失值

fillna() 函數(shù)可一次性完成填補(bǔ)功能。它可以利用所在列的均值/眾數(shù)/中位數(shù)來(lái)替換該列的缺失數(shù)據(jù)。下面利用“Gender”、“Married”、和“Self_Employed”列中各自的眾數(shù)值填補(bǔ)對(duì)應(yīng)列的缺失數(shù)據(jù)。

from scipy.stats import mode

mode(data['Gender'])

3. 數(shù)據(jù)透視表

Pandas 可建立 MS Excel 類型的數(shù)據(jù)透視表。例如在下文的代碼段里，關(guān)鍵列“LoanAmount” 存在缺失值。我們可以根據(jù)“Gender”，“Married”和“Self_Employed”分組后的平均金額來(lái)替換。 “LoanAmount”的各組均值可由如下方法確定

4. 復(fù)合索引

如果您注意觀察#3計(jì)算的輸出內(nèi)容，會(huì)發(fā)現(xiàn)它有一個(gè)奇怪的性質(zhì)。即每個(gè)索引均由三個(gè)數(shù)值的組合構(gòu)成，稱為復(fù)合索引。它有助于運(yùn)算操作的快速進(jìn)行。

從#3的例子繼續(xù)開始，已知每個(gè)分組數(shù)據(jù)值但還未進(jìn)行數(shù)據(jù)填補(bǔ)。具體的填補(bǔ)方式可結(jié)合此前學(xué)到的多個(gè)技巧來(lái)完成。

for i,row in data.loc[data['LoanAmount'].isnull(),:].iterrows():

ind = tuple([row['Gender'],row['Married'],row['Self_Employed']])

data.loc[i,'LoanAmount'] = impute_grps.loc[ind].values[0]

#Now check the #missing values again to confirm:

print data.apply(num_missing, axis=0)

5. Crosstab 函數(shù)

該函數(shù)用于獲取數(shù)據(jù)的初始印象(直觀視圖)，從而驗(yàn)證一些基本假設(shè)。例如在本例中，“Credit_History”被認(rèn)為會(huì)顯著影響貸款狀態(tài)。這個(gè)假設(shè)可以通過(guò)如下代碼生成的交叉表進(jìn)行驗(yàn)證：

pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True)