数据科学家必备工具：Pandas「一行代码」操作精选

原文链接：towardsdatascience.com/4-pandas-on...

随着数据分析需求的增加，如何快速、高效地处理和分析数据成为一个值得探讨的问题。

本文作者分享了4个Pandas的内置函数，可以仅使用一行代码完成这些特定的数据处理任务： (1) 将列表转换为字典 (2) 使用JSON文件创建DataFrame (3) 使用explode函数拆分嵌套的列表 (4) 使用combine_first函数填补DataFrame中的缺失值。

通过合理利用Pandas提供的内置函数,可以极大地提升数据处理和分析的效率。数据科学工作者有必要对这些函数进行学习和练习。

Photo by Tom Bradley on Unsplash

pandas是一个非常实用的Python数据分析工具包，适用于处理和分析各种类型的数据，包括结构化数据、时间序列数据和面板数据等。它在数据清洗、数据处理和数据分析方面具有很高的效率和灵活性，是Python数据科学领域中不可或缺的工具之一。

在这篇文章中，我将分享使用Pandas可以在一行代码中完成的4个操作。相信本文的内容会给各位读者带来惊喜~

一、将列表转换为字典

假如有一个Python列表，我们想要知道元素的分布情况，具体一点说，想看有哪些唯一的元素及其在列表中出现的次数。

Python字典就是以这种格式存储数据的好方法。其中，列表中的元素将作为字典的键，出现次数将作为值。

通过使用value_counts()和to_dict()函数，我们可以仅使用一行代码就完成这个任务。

下面给出简单的代码示例来演示这种方法：

python 复制代码

import pandas as pd

grades = ["A", "A", "B", "B", "A", "C", "A", "B", "C", "A"]

pd.Series(grades).value_counts().to_dict()

# output
{'A': 5, 'B': 3, 'C': 2}

首先，我们将列表转换为Pandas Series，这是Pandas的一维数据结构。然后应用value_counts()函数来获取Series中的各唯一元素及其频率。最后，将输出转换为字典。

二、使用 JSON 文件创建 DataFrame

JSON是一种常用于存储和传递数据的文件格式。例如，当我们从应用程序接口（API）请求数据时，数据很可能是以 JSON 格式传递。

当我们清洗、处理或分析数据时，通常希望它们以表格的格式呈现（即类似表格的数据结构）。借助 json_normalize() 函数，我们只需一次操作就能将JSON格式的对象转换为Pandas DataFrame。

假设数据存储在名为 data.json 的 JSON 文件中。我们首先按如下方式读取它：

python 复制代码

import json

with open("data.json") as f:
    data = json.load(f)

data
# output
{'data': [{'id': 101,
   'category': {'level_1': 'code design', 'level_2': 'method design'},
   'priority': 9},
  {'id': 102,
   'category': {'level_1': 'error handling', 'level_2': 'exception logging'},
   'priority': 8}]}

如果我们将这个变量（data）传递给DataFrame构造函数，它将创建一个如下所示的DataFrame，这显然不是我们想要的格式：

python 复制代码

df = pd.DataFrame(data)

但是，如果我们使用json_normalize()函数并提供数据的路径，就能得到一个漂亮而干净的DataFrame：

ini 复制代码

df = pd.json_normalize(data, "data")

三、explode函数

可能有这样一种需求：我们有一个与特定数据集相匹配的 Python 列表。但我们需要重新格式化该列表，使列表中的每个元素都是单独的一行。

下图能够较好地展示上文的需求内容：

可以想到许多不同的方法来完成这项需求。其中最简单（可能是最简单）的方法就是使用 explode 函数。让我们看看这个函数是如何使用的。

假如有以下 DataFrame：

然后使用explode函数，并指定要拆分的列名：

python 复制代码

df_new = df.explode(column="data").reset_index(drop=True)

reset_index()函数为生成的DataFrame分配一个新的整数索引。否则，拆分之前的索引将被保留（即所有键值为A的行的索引都为0）。

四、 Combine first

combine_first()函数是为了某个特定情况而设置的，但其极大地简化了该特定任务的完成。

使用combine_first()函数的这种特定情况是：

想从 DataFrame 中提取一列值。如果该列中有缺失值，则需要用另一列中提取值来保证输出结果没有缺失值。

在这方面，它与SQL中的COALESCE函数作用相同。

先创建一个包含一些缺失值的 DataFrame 示例：

python 复制代码

df = pd.DataFrame(
    {
        "A": [None, 0, 12, 5, None], 
        "B": [3, 4, 1, None, 11]
    }
)

如果该列有一行值缺失（即 NaN），就用 B 列中同一行的值来填补。

python 复制代码

df["A"].combine_first(df["B"])

# output
0     3.0
1     0.0
2    12.0
3     5.0
4    11.0
Name: A, dtype: float64

正如我们在输出结果中看到的，A 列的第一行和最后一行取自 B 列。

如果有 3 列需要使用，我们可以使用链式的combine_first()函数。如果 B 列的相应行也是 NaN，则从 C 列取值。

python 复制代码

df["A"].combine_first(df["B"]).combine_first(df["C"])

我们也可以在 DataFrame 层使用 combine_first() 函数。在这种情况下，所有缺失值都将由第二个 DataFrame 中的相应值（即同一行、同一列）来填补。

五、后语

Pandas 是我用过的功能最全面的工具之一。从计算简单的统计数据到高度复杂的数据清理过程，Pandas 总能帮助我快速解决任务。我遇到的唯一问题是在处理超大数据集时表现不太好，这似乎是 Pandas 唯一的缺点。不过，最近有了一些改进，使 Pandas 在处理大型数据集时更加高效。我相信这对每一个喜欢使用这个伟大工具的人来说都是好消息。

感谢您的阅读。请评论区畅所欲言~