pandas 是为了解决数据分析任务而创建的一种工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法，它是使Python成为强大而高效的数据分析环境的重要因素之一。今天小编就给大家分享一篇关于常见pandas函数的文章，希望对大家有所帮助。

文章来源： DeepHub IMBA

作者：P**nHub兄弟网站

pandas是一个受众广泛的python数据分析库。它提供了许多函数和方法来加快数据分析过程。pandas之所以如此普遍，是因为它的功能强大、灵活简单。本文将介绍20个常用的 Pandas 函数以及具体的示例代码，助力你的数据分析变得更加高效。

首先，我们导入 numpy和 pandas包。

 import numpy as np
 import pandas as pd

1. Query

我们有时需要根据条件筛选数据，一个简单方法是query函数。为了更直观理解这个函数，我们首先创建一个示例 dataframe。

 values_1 = np.random.randint(10, size=10)
 values_2 = np.random.randint(10, size=10)
 years = np.arange(2010,2020)
 groups = ['A','A','B','A','B','B','C','A','C','C']
 df = pd.DataFrame({'group':groups, 'year':years, 'value_1':values_1,'value_2':values_2})
 df

使用query函数的语法十分简单：

 df.query('value_1 < value_2')

2. Insert

当我们想要在 dataframe 里增加一列数据时，默认添加在最后。当我们需要添加在任意位置，则可以使用 insert 函数。使用该函数只需要指定插入的位置、列名称、插入的对象数据。

 # new column
 new_col = np.random.randn(10)
 # insert the new column at position 2
 df.insert(2, 'new_col', new_col)
 
 df

3. Cumsum

示例dataframe 包含3个小组的年度数据。我们可能只对年度数据感兴趣，但在某些情况下，我们同样还需要一个累计数据。Pandas提供了一个易于使用的函数来计算加和，即cumsum。

如果我们只是简单使用cumsum函数，（A，B，C）组别将被忽略。这样得到的累积值在某些情况下意义不大，因为我们更需要不同小组的累计数据。对于这个问题有一个非常简单方便的解决方案，我们可以同时应用groupby和cumsum函数。

 df['cumsum_2'] = df[['value_2','group'].groupby('group').cumsum()]
 
 df

4. Sample

Sample方法允许我们从DataFrame中随机选择数据。当我们想从一个分布中选择一个随机样本时，这个函数很有用。

 sample1 = df.sample(n=3)
 sample1

上述代码中，我们通过指定采样数量 n 来进行随机选取。此外，也可以通过指定采样比例 frac 来随机选取数据。当 frac=0.5时，将随机返回一般的数据。

 sample2 = df.sample(frac=0.5)
 sample2

为了获得可重复的样品，我们可以指定random_state参数。如果将整数值传递给random_state，则每次运行代码时都将生成相同的采样数据。

5. Where

where函数用于指定条件的数据替换。如果不指定条件，则默认替换值为 NaN。

 df['new_col'].where(df['new_col'] > 0, 0)

where函数首先根据指定条件定位目标数据，然后替换为指定的新数据。上述代码中，where(df['new_col']>0,0)指定'new_col'列中数值大于0的所有数据为被替换对象，并且被替换为0。

重要的一点是，pandas 和 numpy的where函数并不完全相同。我们可以得到相同的结果，但语法存在差异。Np.where还需要指定列对象。以下两行返回相同的结果：

 df['new_col'].where(df['new_col'] > 0, 0)
 
 np.where(df['new_col'] > 0, df['new_col'], 0)

6. Isin

在处理数据帧时，我们经常使用过滤或选择方法。Isin是一种先进的筛选方法。例如，我们可以根据选择列表筛选数据。

 years = ['2010','2014','2017']
 df[df.year.isin(years)]

7. Loc 和 iloc

Loc 和 iloc 函数用于选择行或者列。

• loc:通过标签选择
• iloc:通过位置选择

loc用于按标签选择数据。列的标签是列名。对于行标签，如果我们不分配任何特定的索引，pandas默认创建整数索引。因此，行标签是从0开始向上的整数。与iloc一起使用的行位置也是从0开始的整数。

下述代码实现选择前三行前两列的数据(iloc方式)：

 df.iloc[:3,:2]

下述代码实现选择前三行前两列的数据(loc方式)：

 df.loc[:2,['group','year']]

注：当使用loc时，包括索引的上界，而使用iloc则不包括索引的上界。

下述代码实现选择"1","3","5"行、"year","value_1"列的数据(loc方式)：

 df.loc[[1,3,5],['year','value_1']]

8. Pct_change

此函数用于计算一系列值的变化百分比。假设我们有一个包含[2,3,6]的序列。如果我们对这个序列应用pct_change，则返回的序列将是[NaN，0.5，1.0]。从第一个元素到第二个元素增加了50%，从第二个元素到第三个元素增加了100%。Pct_change函数用于比较元素时间序列中的变化百分比。

 df.value_1.pct_change()

9. Rank

Rank函数实现对数据进行排序。假设我们有一个包含[1,7,5,3]的序列。分配给这些值的等级为[1,4,3,2]。

 df['rank_1'] = df['value_1'].rank()
 df

10. Melt

Melt用于将维数较大的 dataframe转换为维数较少的 dataframe。一些dataframe列中包含连续的度量或变量。在某些情况下，将这些列表示为行可能更适合我们的任务。考虑以下情况：

我们有三个不同的城市，在不同的日子进行测量。我们决定将这些日子表示为列中的行。还将有一列显示测量值。我们可以通过使用'melt'函数轻松实现：

 df_wide.melt(id_vars=['city'])
 df

变量名和列名通常默认给出。我们也可以使用melt函数的var_name和value_name参数来指定新的列名。

11. Explode

假设数据集在一个观测（行）中包含一个要素的多个条目，但您希望在单独的行中分析它们。

我们想在不同的行上看到“c”的测量值，这很容易用explode来完成。

 df1.explode('measurement').reset_index(drop=True)
 df

12. Nunique

Nunique统计列或行上的唯一条目数。它在分类特征中非常有用，特别是在我们事先不知道类别数量的情况下。让我们看看我们的初始数据：

 df.year.nunique()
 10
 df.group.nunique()
 3

我们可以直接将nunique函数应用于dataframe，并查看每列中唯一值的数量：

如果axis参数设置为1，nunique将返回每行中唯一值的数目。

13. Lookup

'lookup'可以用于根据行、列的标签在dataframe中查找指定值。假设我们有以下数据：

我们要创建一个新列，该列显示“person”列中每个人的得分：

 df['Person_point'] = df.lookup(df.index, df['Person'])
 df

14. Infer_objects

Pandas支持广泛的数据类型，其中之一就是object。object包含文本或混合（数字和非数字）值。但是，如果有其他选项可用，则不建议使用对象数据类型。使用更具体的数据类型，某些操作执行得更快。例如，对于数值，我们更喜欢使用整数或浮点数据类型。

infer_objects尝试为对象列推断更好的数据类型。考虑以下数据：

 df2.dtypes
 A    object 
 B    object 
 C    object 
 D    object 
 dtype: object

通过上述代码可知，现有所有的数据类型默认都是object。让我们看看推断的数据类型是什么：

 df2.infer_objects().dtypes
 A      int64 
 B    float64 
 C       bool 
 D     object 
 dtype: object

'infer_obejects'可能看起来微不足道，但在有很多列时作用巨大。

15. Memory_usage

Memory_usage()返回每列使用的内存量（以字节为单位）。考虑下面的数据，其中每一列有一百万行。

 df_large = pd.DataFrame({'A': np.random.randn(1000000),
                     'B': np.random.randint(100, size=1000000)})
 df_large.shape
 (1000000, 2)

每列占用的内存：

 df_large.memory_usage()
 Index        128 
 A        8000000 
 B        8000000 
 dtype: int64

整个 dataframe 占用的内存（转换为以MB为单位）：

 df_large.memory_usage().sum() / (1024**2) #converting to megabytes
 
 15.2589111328125

16. Describe

describe函数计算数字列的基本统计信息，这些列包括计数、平均值、标准偏差、最小值和最大值、中值、第一个和第三个四分位数。因此，它提供了dataframe的统计摘要。

17. Merge

Merge()根据共同列中的值组合dataframe。考虑以下两个数据:

我们可以基于列中的共同值合并它们。设置合并条件的参数是“on”参数。

df1和df2是基于column_a列中的共同值进行合并的，merge函数的how参数允许以不同的方式组合dataframe,如：“inner”、“outer”、“left”、“right”等。

• inner:仅在on参数指定的列中具有相同值的行（如果未指定其它方式，则默认为 inner 方式）
• outer:全部列数据
• left:左一dataframe的所有列数据
• right:右一dataframe的所有列数据

18. Select_dtypes

Select_dtypes函数根据对数据类型设置的条件返回dataframe的子集。它允许使用include和exlude参数包含或排除某些数据类型。

 df.select_dtypes(include='int64')

 df.select_dtypes(exclude='int64')

19. Replace

顾名思义，它允许替换dataframe中的值。第一个参数是要替换的值，第二个参数是新值。

 df.replace('A', 'A_1')

我们也可以在同一个字典中多次替换。

 df.replace({'A':'A_1', 'B':'B_1'})

20. Applymap

Applymap用于将一个函数应用于dataframe中的所有元素。请注意，如果操作的矢量化版本可用，那么它应该优先于applymap。例如，如果我们想将每个元素乘以一个数字，我们不需要也不应该使用applymap函数。在这种情况下，简单的矢量化操作（例如df*4）要快得多。

然而，在某些情况下，我们可能无法选择矢量化操作。例如，我们可以使用pandas dataframes的style属性更改dataframe的样式。以下代码将负值的颜色设置为红色:

 def color_negative_values(val):
    color = 'red' if val < 0 else 'black'
    return 'color: %s' % color

通过Applymap将上述代码应用到dataframe：

 df3.style.applymap(color_negative_values)

作者：Soner Yıldırım

deephub翻译组：Oliver Lee