Wenn Sie die Informationen der besten 10 Schüler in der Gesamtpunktzahl erhalten möchten, können Sie sie nach der Gesamtpunktzahl sortieren und dann head(10)
einige Operationen ausführen, aber was ist, wenn die Anzahl der Schüler in den besten 10 mehr als 10 beträgt, wenn Sie anschwellen? gleichen Ranking begegnen?
Werfen wir heute einen Blick auf die bequemen Funktionsmethoden, die von Pandas bereitgestellt werden, um unsere Datenverarbeitung einen Schritt schneller zu machen~
Inhalt:
1. Finden Sie die größten oder kleinsten Top-N-Datengruppen
Wenn wir Daten verarbeiten, stoßen wir oft auf ein Szenario, nämlich die größten oder kleinsten Top-N-Datengruppen in dieser Datengruppe zu finden . Unter normalen Umständen können wir verwenden, um df.sort_values(columns, ascending=False).head(n)
zu erhalten, aber es gibt oft einige parallel geordnete Daten, die rücksichtslos abgeschnitten werden und nicht abgerufen werden können. Heute können wir also die folgenden Methoden ausprobieren, und es wird gut.
Nehmen wir als Beispiel das Finden der größten ersten N Datengruppen:
DataFrame.nlargest
( n , Spalten , keep='first' )
Series.nlargest
( n=5 , keep='first' )
Der optionale Wert des keep-Parameters: der Standardwert ist first, optional last und all (buchstäblich)
Wir konstruieren zuerst Falldaten
>>> import pandas as pd
>>> df = pd.DataFrame({'population': [59000000, 65000000, 434000,
... 434000, 434000, 337000, 11300,
... 11300, 11300],
... 'GDP': [1937894, 2583560 , 12011, 4520, 12128,
... 17036, 182, 38, 311],
... 'alpha-2': ["IT", "FR", "MT", "MV", "BN",
... "IS", "NR", "TV", "AI"]},
... index=["Italy", "France", "Malta",
... "Maldives", "Brunei", "Iceland",
... "Nauru", "Tuvalu", "Anguilla"])
>>> df
population GDP alpha-2
Italy 59000000 1937894 IT
France 65000000 2583560 FR
Malta 434000 12011 MT
Maldives 434000 4520 MV
Brunei 434000 12128 BN
Iceland 337000 17036 IS
Nauru 11300 182 NR
Tuvalu 11300 38 TV
Anguilla 11300 311 AI
复制代码
Wenn wir für die obigen Falldaten die obersten 3 Datensätze mit den meisten Bevölkerungsfeldern erhalten möchten, stellen wir fest, dass der dritte Platz 434000 ist. Wenn es angenommen head(3)
wird, fehlen uns tatsächlich 2 Datenzeilen, die die Anforderungen erfüllen; zu diesem Zeitpunkt df.nlargest(3, 'population',keep='all')
können wir die Ergebnisse erhalten, die wir benötigen.
>>> df.head(3)
population GDP alpha-2
Italy 59000000 1937894 IT
France 65000000 2583560 FR
Malta 434000 12011 MT
>>> df.nlargest(3, 'population')
population GDP alpha-2
France 65000000 2583560 FR
Italy 59000000 1937894 IT
Malta 434000 12011 MT
# keep = 'all' 即表示满足排名的全部返回
>>> df.nlargest(3, 'population',keep='all')
population GDP alpha-2
France 65000000 2583560 FR
Italy 59000000 1937894 IT
Malta 434000 12011 MT
Maldives 434000 4520 MV
Brunei 434000 12128 BN
复制代码
Natürlich können wir mit komplexeren Anforderungen konfrontiert werden, wie zum Beispiel die Verwendung der größten Top-N-Datengruppen nach mehreren Feldern.In diesem Fall müssen wir die Top-3-Daten im BIP mit der größten Bevölkerung nehmen.
>>> df.nlargest(3, ['population', 'GDP'])
population GDP alpha-2
France 65000000 2583560 FR
Italy 59000000 1937894 IT
Brunei 434000 12128 BN
复制代码
Für die kleinsten ersten N Datengruppen ist die Funktion wie folgt (Parameter haben die gleiche Bedeutung):
DataFrame.nsmallest
( n, columns,keep='first')
Series.nsmallest
( n=5, keep='first')
2. 求当前元素和前一元素之间百分比变化
有时候,我们的数据可能是时间序列下的,为了更方便看到随着时间变化某行或列数据的变化率,这里就可以采用pct_change
方法直接获取。
pct_change
(periods=1,fill_method='pad', limit=None, freq=None, kwargs)
先看看对于Series
类型数据:
>>> s = pd.Series([90, 91, 85])
>>> s.pct_change()
0 NaN
1 0.011111
2 -0.065934
dtype: float64
# 设置间隔periods=2,在这里就是85相比90的变化率
>>> s.pct_change(periods=2)
0 NaN
1 NaN
2 -0.055556
dtype: float64
复制代码
对于有缺失值的情况,我们可以填充缺失值后参与计算或者在计算百分比时设置填充参数fill_method
:
>>> s = pd.Series([90, 91, None, 85])
>>> s
0 90.0
1 91.0
2 NaN
3 85.0
dtype: float64
>>> s.pct_change(fill_method='bfill')
0 NaN
1 0.011111
2 -0.065934
3 0.000000
dtype: float64
>>> s.pct_change(fill_method='ffill')
0 NaN
1 0.011111
2 0.000000
3 -0.065934
dtype: float64
>>> s.pct_change()
0 NaN
1 0.011111
2 0.000000
3 -0.065934
dtype: float64
复制代码
也可以直接对Dataframe
类型数据进行处理:
>>> df = pd.DataFrame({
... 'FR': [4.0405, 4.0963, 4.3149],
... 'GR': [1.7246, 1.7482, 1.8519],
... 'IT': [804.74, 810.01, 860.13]},
... index=['1980-01-01', '1980-02-01', '1980-03-01'])
>>> df
FR GR IT
1980-01-01 4.0405 1.7246 804.74
1980-02-01 4.0963 1.7482 810.01
1980-03-01 4.3149 1.8519 860.13
>>> df.pct_change()
FR GR IT
1980-01-01 NaN NaN NaN
1980-02-01 0.013810 0.013684 0.006549
1980-03-01 0.053365 0.059318 0.061876
>>> df = pd.DataFrame({
... '2016': [1769950, 30586265],
... '2015': [1500923, 40912316],
... '2014': [1371819, 41403351]},
... index=['GOOG', 'APPL'])
>>> df
2016 2015 2014
GOOG 1769950 1500923 1371819
APPL 30586265 40912316 41403351
# 对行进行操作axis=1或'columns'
>>> df.pct_change(axis = 1)
2016 2015 2014
GOOG NaN -0.151997 -0.086016
APPL NaN 0.337604 0.012002
>>> df.pct_change(axis = 'columns')
2016 2015 2014
GOOG NaN -0.151997 -0.086016
APPL NaN 0.337604 0.012002
复制代码
3. 将列表中每个元素转化为一行
有时候,我们的原始数据中某些元素可能是列表的形式,而我们需要对它进行展开操作,于是explode
方法就来了。
Series.explode
( ignore_index=False)
DataFrame.explode
( column, ignore_index=False)
先看看对Series
类型数据的处理:
>>> s = pd.Series([[1, 2, 3], 'foo', [], [3, 4]])
>>> s
0 [1, 2, 3]
1 foo
2 []
3 [3, 4]
dtype: object
# 默认情况下,会复制索引
>>> s.explode()
0 1
0 2
0 3
1 foo
2 NaN
3 3
3 4
dtype: object
# 设置参数ignore_index=True,则会重置索引
>>> s.explode(ignore_index=True)
0 1
1 2
2 3
3 foo
4 NaN
5 3
6 4
dtype: object
复制代码
再看看在Dataframe
类型数据下的操作:
>>> df = pd.DataFrame({'A': [[1, 2, 3], 'foo', [], [3, 4]], 'B': 1})
>>> df
A B
0 [1, 2, 3] 1
1 foo 1
2 [] 1
3 [3, 4] 1
# 默认情况下,会复制索引
>>> df.explode('A')
A B
0 1 1
0 2 1
0 3 1
1 foo 1
2 NaN 1
3 3 1
3 4 1
# 设置参数ignore_index=True,则会重置索引
>>> df.explode('A',ignore_index=True)
A B
0 1 1
1 2 1
2 3 1
3 foo 1
4 NaN 1
5 3 1
6 4 1
复制代码