12个Pandas/NumPy中的加速函数使用总结
Numpy 的 6 种高效函数
argpartition()
allclose()
clip()
extract()
where()
percentile()
Pandas 数据统计包的 6 种高效函数
read_csv(nrows=n)
map()
apply()
isin()
copy()
select_dtypes()
我们都知道，Numpy 是 Python 环境下的扩展程序库，支持大量的维度数组和矩阵运算；Pandas 也是 Python 环境下的数据操作和分析软件包，以及强大的数据分析库。二者在日常的数据分析中都发挥着重要作用，如果没有 Numpy 和 Pandas 的支持，数据分析将变得异常困难。但有时我们需要加快数据分析的速度，有什么办法可以帮助到我们吗？
在本文中，数据和分析工程师 Kunal Dhariwal 为我们介绍了 12 种 Numpy 和 Pandas 函数，这些高效的函数会令数据分析更为容易、便捷。
Numpy 的 6 种高效函数首先从 Numpy 开始。Numpy 是用于科学计算的 Python 语言扩展包，通常包含强大的 N 维数组对象、复杂函数、用于整合 C/C++和 Fortran 代码的工具以及有用的线性代数、傅里叶变换和随机数生成能力。
除了上面这些明显的用途，Numpy 还可以用作通用数据的高效多维容器（container），定义任何数据类型。这使得 Numpy 能够实现自身与各种数据库的无缝、快速集成。
接下来一一解析 6 种 Numpy 函数。
argpartition()借助于 argpartition()，Numpy 可以找出 N 个最大数值的索引，也会将找到的这些索引输出。然后我们根据需要对数值进行排序。
>>> x = np.array([12, 10, 12, 0, 6, 8, 9, 1, 16, 4, 6, 0])
>>> index_val = np.argpartition(x, -4)[-4:]
>>> index_val
array([1, 8, 2, 0], dtype=int64)
>>> np.sort(x[index_val])
array([10, 12, 12, 16])
allclose()
allclose() 用于匹配两个数组，并得到布尔值表示的输出。如果在一个公差范围内（within a tolerance）两个数组不等同，则 allclose() 返回 False。该函数对于检查两个数组是否相似非常有用。
>>> array1 = np.array([0.12,0.17,0.24,0.29])
>>> array2 = np.array([0.13,0.19,0.26,0.31])# with a tolerance of 0.1, it should return False:
>>> np.allclose(array1,array2,0.1)
False# with a tolerance of 0.2, it should return True:
>>> np.allclose(array1,array2,0.2)
True
clip()
Clip() 使得一个数组中的数值保持在一个区间内。 有时，我们需要保证数值在上下限范围内。为此，我们可以借助 Numpy 的 clip() 函数实现该目的。给定一个区间，则区间外的数值被剪切至区间上下限（interval edge）。
>>> x = np.array([3, 17, 14, 23, 2, 2, 6, 8, 1, 2, 16, 0])
>>> np.clip(x,2,5)
array([3, 5, 5, 5, 2, 2, 5, 5, 2, 2, 5, 2])
extract()
顾名思义，extract() 是在特定条件下从一个数组中提取特定元素。 借助于 extract()，我们还可以使用 and 和 or 等条件。
# Random integers
>>> array = np.random.randint(20, size=12)
>>> array
array([ 0, 1, 8, 19, 16, 18, 10, 11, 2, 13, 14, 3])# Divide by 2 and check if remainder is 1
>>> cond = np.mod(array, 2)==1
>>> cond
array([False, True, False, True, False, False,
False, True, False, True, False, True])# Use extract to get the values
>>> np.extract(cond, array)
array([ 1, 19, 11, 13, 3])# Apply condition on extract directly
>>> np.extract(((array < 3) | (array > 15)), array)
array([ 0, 1, 19, 16, 18, 2])
where()
Where() 用于从一个数组中返回满足特定条件的元素。 比如，它会返回满足特定条件的数值的索引位置。Where() 与 SQL 中使用的 where condition 类似，如以下示例所示：
>>> y = np.array([1,5,6,8,1,7,3,6,9]) # Where y is greater than 5, returns index position
>>> np.where(y>5)
array([2, 3, 5, 7, 8], dtype=int64) # First will replace the values that match the condition,
# second will replace the values that does not
>>> np.where(y>5, "Hit", "Miss")
array(['Miss', 'Miss', 'Hit', 'Hit', 'Miss',
'Hit', 'Miss', 'Hit', 'Hit'],
dtype='<U4')
percentile()
Percentile() 用于计算特定轴方向上数组元素的第 n 个百分位数。
>>> a = np.array([1,5,6,8,1,7,3,6,9])
>>> print("50th Percentile of a, axis = 0 : ",
... np.percentile(a, 50, axis =0))
50th Percentile of a, axis = 0 : 6.0
>>> b = np.array([[10, 7, 4], [3, 2, 1]])
>>> print("30th Percentile of b, axis = 0 : ",
... np.percentile(b, 30, axis =0))
30th Percentile of b, axis = 0 : [5.1 3.5 1.9]
这就是 Numpy 扩展包的 6 种高效函数，相信会为你带来帮助。接下来看一看 Pandas 数据分析库的 6 种函数。
Pandas 数据统计包的 6 种高效函数Pandas 也是一个 Python 包，它提供了快速、灵活以及具有显著表达能力的数据结构， 旨在使处理结构化 (表格化、多维、异构) 和时间序列数据变得既简单又直观。
Pandas 适用于以下各类数据:
具有异构类型列的表格数据，如 SQL 表或 Excel 表
有序和无序 (不一定是固定频率) 的时间序列数据
带有行/列标签的任意矩阵数据（同构类型或者是异构类型）
其他任意形式的统计数据集。事实上，数据根本不需要标记就可以放入 Pandas 结构中
Pandas 擅长处理的类型如下所示：
容易处理浮点数据和非浮点数据中的 缺失数据（用 NaN 表示）
大小可调整性: 可以从 DataFrame 或者更高维度的对象中插入或者是删除列
显式数据可自动对齐: 对象可以显式地对齐至一组标签内，或者用户可以简单地选择忽略标签，使 Series、 DataFrame 等自动对齐数据
灵活的分组功能，对数据集执行拆分-应用-合并等操作，对数据进行聚合和转换
简化将数据转换为 DataFrame 对象的过程，而这些数据基本是 Python 和 NumPy 数据结构中不规则、不同索引的数据
基于标签的智能切片、索引以及面向大型数据集的子设定
更加直观地合并以及连接数据集
更加灵活地重塑、转置（pivot）数据集
轴的分级标记 (可能包含多个标记)
具有鲁棒性的 IO 工具，用于从平面文件 (CSV 和 delimited)、 Excel 文件、数据库中加在数据，以及从 HDF5 格式中保存 / 加载数据
时间序列的特定功能: 数据范围的生成以及频率转换、移动窗口统计、数据移动和滞后等
read_csv(nrows=n)大多数人都会犯的一个错误是，在不需要.csv 文件的情况下仍会完整地读取它。 如果一个未知的.csv 文件有 10GB，那么读取整个.csv 文件将会非常不明智，不仅要占用大量内存，还会花很多时间。我们需要做的只是从.csv 文件中导入几行，之后根据需要继续导入。
import io
import requests
# I am using this online data set just to make things easier for you guys
url = "https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv"
s = requests.get(url).content# read only first 10 rows
df = pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10 , index_col=0)
map()
map() 函数根据相应的输入来映射 Series 的值。 用于将一个 Series 中的每个值替换为另一个值，该值可能来自一个函数、也可能来自于一个 dict 或 Series。
# create a dataframe
dframe = pd.DataFrame(np.random.randn(4, 3),
columns=list('bde'),
index=['India', 'USA', 'China', 'Russia'])
#compute a formatted string from each floating point value in frame
changefn = lambda x: '%.2f' % x
# Make changes element-wise
dframe['d'].map(changefn)
apply()
apply() 允许用户传递函数，并将其应用于 Pandas 序列中的每个值。
# max minus mix lambda fn
fn = lambda x: x.max() - x.min()
# Apply this on dframe that we've just created above
dframe.apply(fn)
isin()
lsin () 用于过滤数据帧。 Isin () 有助于选择特定列中具有特定（或多个）值的行。
# Using the dataframe we created for read_csv
filter1 = df["value"].isin([112])
filter2 = df["time"].isin([1949.000000])df [filter1 & filter2]
copy()
Copy () 函数用于复制 Pandas 对象。 当一个数据帧分配给另一个数据帧时，如果对其中一个数据帧进行更改，另一个数据帧的值也将发生更改。为了防止这类问题，可以使用 copy () 函数。
# creating sample series
data = pd.Series(['India', 'Pakistan', 'China', 'Mongolia'])
# Assigning issue that we face
data1= data
# Change a value
data1[0]='USA'
# Also changes value in old data
framedata
# To prevent that, we use
# creating copy of series
new = data.copy()
# assigning new values
new[1]='Changed value'
#printing data
print(new)
print(data)
select_dtypes()
select_dtypes() 的作用是，基于 dtypes 的列返回数据帧列的一个子集。 这个函数的参数可设置为包含所有拥有特定数据类型的列，亦或者设置为排除具有特定数据类型的列。
# We'll use the same dataframe that we used for read_csv
framex = df.select_dtypes(include="float64")
# Returns only time column
最后，pivot_table() 也是 Pandas 中一个非常有用的函数。如果对 pivot_table() 在 excel 中的使用有所了解，那么就非常容易上手了。
# Create a sample dataframe
school = pd.DataFrame({'A': ['Jay', 'Usher', 'Nicky', 'Romero', 'Will'],
'B': ['Masters', 'Graduate', 'Graduate', 'Masters', 'Graduate'],
'C': [26, 22, 20, 23, 24]})# Lets create a pivot table to segregate students based on age and course
table = pd.pivot_table(school, values ='A', index =['B', 'C'],
columns =['B'], aggfunc = np.sum, fill_value="Not Available")
table
到此这篇关于12个Pandas/NumPy中的加速函数使用总结的文章就介绍到这了,更多相关Pandas NumPy加速内容请搜索软件开发网以前的文章或继续浏览下面的相关文章希望大家以后多多支持软件开发网！
