Если вы хотите получить информацию о 10 лучших учениках в общем балле, вы можете отсортировать их в соответствии с общим баллом, а затем head(10)
выполнить некоторые операции, но что, если количество студентов в первых 10 больше, чем 10 опухших, когда вы столкнуться с тем же рейтингом?
Сегодня давайте взглянем на удобные методы функций, предоставляемые pandas, чтобы сделать нашу обработку данных на один шаг быстрее ~
содержание:
1. Найдите самые большие или самые маленькие верхние N групп данных.
Когда мы обрабатываем данные, мы часто сталкиваемся со сценарием, то есть найти в этой группе данных самые большие или самые маленькие верхние N групп данных . При нормальных обстоятельствах мы можем использовать df.sort_values(columns, ascending=False).head(n)
для получения, но часто есть некоторые данные, ранжированные параллельно, которые будут безжалостно усечены и не могут быть получены. Итак, сегодня мы можем попробовать следующие методы, и все будет хорошо.
Давайте возьмем пример поиска первых N групп данных в качестве примера:
DataFrame.nlargest
( n , столбцы , keep='first' )
Series.nlargest
( n = 5 , сохранить = 'первый' )
Необязательное значение параметра keep: по умолчанию первое, необязательное последнее и все (буквально)
Сначала мы строим данные случая
>>> 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
Для приведенных выше данных случая, если мы хотим получить 3 верхних набора данных с наибольшим количеством полей населения, мы обнаружим, что третье место — 434000. Если он принят head(3)
, то фактически 2 строки данных, удовлетворяющие требованиям, нами упущены, в это время df.nlargest(3, 'population',keep='all')
мы можем получить нужные нам результаты.
>>> 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
Конечно, мы можем столкнуться с более сложными требованиями, например, взять самые большие первые N групп данных по нескольким полям.В этом случае нам нужно взять три первых данных по ВВП с наибольшей численностью населения.
>>> 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
Для наименьших первых N групп данных функция выглядит следующим образом (параметры имеют тот же смысл):
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