一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第16天，点击查看活动详情。
常用基本函数
为了进行举例说明，在接下来的部分和其余章节都将会使用一份learn_pandas.csv的虚拟数据集，它记录了四所学校学生的体测个人信息。
df = pd.read_csv('../data/learn_pandas.csv')
df.columns
Index(['School', 'Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer', 'Test_Number', 'Test_Date', 'Time_Record'],
dtype='object')
上述列名依次代表学校、年级、姓名、性别、身高、体重、是否为转系生、体测场次、测试时间、1000米成绩，本章只需使用其中的前七列。
df = df[df.columns[:7]]
1. 汇总函数
head, tail函数分别表示返回表或者序列的前n行和后n行，其中n默认为5：
df.head(2)
| School | Grade | Name | Gender | Height | Weight | Transfer | |
|---|---|---|---|---|---|---|---|
| 0 | Shanghai Jiao Tong University | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
| 1 | Peking University | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
df.tail(3)
| School | Grade | Name | Gender | Height | Weight | Transfer | |
|---|---|---|---|---|---|---|---|
| 197 | Shanghai Jiao Tong University | Senior | Chengqiang Chu | Female | 153.9 | 45.0 | N |
| 198 | Shanghai Jiao Tong University | Senior | Chengmei Shen | Male | 175.3 | 71.0 | N |
| 199 | Tsinghua University | Sophomore | Chunpeng Lv | Male | 155.7 | 51.0 | N |
info, describe分别返回表的信息概况和表中数值列对应的主要统计量 ：
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 School 200 non-null object
1 Grade 200 non-null object
2 Name 200 non-null object
3 Gender 200 non-null object
4 Height 183 non-null float64
5 Weight 189 non-null float64
6 Transfer 188 non-null object
dtypes: float64(2), object(5)
memory usage: 11.1+ KB
df.describe()
| Height | Weight | |
|---|---|---|
| count | 183.000000 | 189.000000 |
| mean | 163.218033 | 55.015873 |
| std | 8.608879 | 12.824294 |
| min | 145.400000 | 34.000000 |
| 25% | 157.150000 | 46.000000 |
| 50% | 161.900000 | 51.000000 |
| 75% | 167.500000 | 65.000000 |
| max | 193.900000 | 89.000000 |
【NOTE】更全面的数据汇总
info, describe只能实现较少信息的展示，如果想要对一份数据集进行全面且有效的观察，特别是在列较多的情况下，推荐使用pandas-profiling包，它将在第十一章被再次提到。
【END】
2. 特征统计函数
在Series和DataFrame上定义了许多统计函数，最常见的是sum, mean, median, var, std, max, min。例如，选出身高和体重列进行演示：
df_demo = df[['Height', 'Weight']]
df_demo.mean()
Height 163.218033
Weight 55.015873
dtype: float64
df_demo.max()
Height 193.9
Weight 89.0
dtype: float64
此外，需要介绍的是quantile, count, idxmax这三个函数，它们分别返回的是分位数、非缺失值个数、最大值对应的索引：
df_demo.quantile(0.75)
Height 167.5
Weight 65.0
Name: 0.75, dtype: float64
df_demo.count()
Height 183
Weight 189
dtype: int64
df_demo.idxmax() # idxmin是对应的函数
Height 193
Weight 2
dtype: int64
上面这些所有的函数，由于操作后返回的是标量，所以又称为聚合函数，它们有一个公共参数axis，默认为0代表逐列聚合，如果设置为1则表示逐行聚合：
df_demo.mean(axis=1).head() # 在这个数据集上体重和身高的均值并没有意义
0 102.45
1 118.25
2 138.95
3 41.00
4 124.00
dtype: float64
3. 唯一值函数
对序列使用unique和nunique可以分别得到其唯一值组成的列表和唯一值的个数：
df['School'].unique()
array(['Shanghai Jiao Tong University', 'Peking University', 'Fudan University', 'Tsinghua University'], dtype=object)
df['School'].nunique()
4
value_counts可以得到唯一值和其对应出现的频数：
df['School'].value_counts()
Tsinghua University 69
Shanghai Jiao Tong University 57
Fudan University 40
Peking University 34
Name: School, dtype: int64
如果想要观察多个列组合的唯一值，可以使用drop_duplicates。其中的关键参数是keep，默认值first表示每个组合保留第一次出现的所在行，last表示保留最后一次出现的所在行，False表示把所有重复组合所在的行剔除。
df_demo = df[['Gender','Transfer','Name']]
df_demo.drop_duplicates(['Gender', 'Transfer'])
| Gender | Transfer | Name | |
|---|---|---|---|
| 0 | Female | N | Gaopeng Yang |
| 1 | Male | N | Changqiang You |
| 12 | Female | NaN | Peng You |
| 21 | Male | NaN | Xiaopeng Shen |
| 36 | Male | Y | Xiaojuan Qin |
| 43 | Female | Y | Gaoli Feng |
df_demo.drop_duplicates(['Gender', 'Transfer'], keep='last')
| Gender | Transfer | Name | |
|---|---|---|---|
| 147 | Male | NaN | Juan You |
| 150 | Male | Y | Chengpeng You |
| 169 | Female | Y | Chengquan Qin |
| 194 | Female | NaN | Yanmei Qian |
| 197 | Female | N | Chengqiang Chu |
| 199 | Male | N | Chunpeng Lv |
df_demo.drop_duplicates(['Name', 'Gender'], keep=False).head() # 保留只出现过一次的性别和姓名组合
| Gender | Transfer | Name | |
|---|---|---|---|
| 0 | Female | N | Gaopeng Yang |
| 1 | Male | N | Changqiang You |
| 2 | Male | N | Mei Sun |
| 4 | Male | N | Gaojuan You |
| 5 | Female | N | Xiaoli Qian |
df['School'].drop_duplicates() # 在Series上也可以使用
0 Shanghai Jiao Tong University
1 Peking University
3 Fudan University
5 Tsinghua University
Name: School, dtype: object
此外，duplicated和drop_duplicates的功能类似，但前者返回了是否为唯一值的布尔列表，其keep参数与后者一致。其返回的序列，把重复元素设为True，否则为False。 drop_duplicates等价于把duplicated为True的对应行剔除。
df_demo.duplicated(['Gender', 'Transfer']).head()
0 False
1 False
2 True
3 True
4 True
dtype: bool
df['School'].duplicated().head() # 在Series上也可以使用
0 False
1 False
2 True
3 False
4 True
Name: School, dtype: bool
4. 替换函数
一般而言，替换操作是针对某一个列进行的，因此下面的例子都以Series举例。pandas中的替换函数可以归纳为三类：映射替换、逻辑替换、数值替换。其中映射替换包含replace方法、第八章中的str.replace方法以及第九章中的cat.codes方法，此处介绍replace的用法。
在replace中，可以通过字典构造，或者传入两个列表来进行替换：
df['Gender'].replace({'Female':0, 'Male':1}).head()
0 0
1 1
2 1
3 0
4 1
Name: Gender, dtype: int64
df['Gender'].replace(['Female', 'Male'], [0, 1]).head()
0 0
1 1
2 1
3 0
4 1
Name: Gender, dtype: int64
另外，replace还有一种特殊的方向替换，指定method参数为ffill则为用前面一个最近的未被替换的值进行替换，bfill则使用后面最近的未被替换的值进行替换。从下面的例子可以看到，它们的结果是不同的：
s = pd.Series(['a', 1, 'b', 2, 1, 1, 'a'])
s.replace([1, 2], method='ffill')
0 a
1 a
2 b
3 b
4 b
5 b
6 a
dtype: object
s.replace([1, 2], method='bfill')
0 a
1 b
2 b
3 a
4 a
5 a
6 a
dtype: object
【WARNING】正则替换请使用str.replace
虽然对于replace而言可以使用正则替换，但是当前版本下对于string类型的正则替换还存在bug，因此如有此需求，请选择str.replace进行替换操作，具体的方式将在第八章中讲解。
【END】
逻辑替换包括了where和mask，这两个函数是完全对称的：where函数在传入条件为False的对应行进行替换，而mask在传入条件为True的对应行进行替换，当不指定替换值时，替换为缺失值。
s = pd.Series([-1, 1.2345, 100, -50])
s.where(s<0)
0 -1.0
1 NaN
2 NaN
3 -50.0
dtype: float64
s.where(s<0, 100)
0 -1.0
1 100.0
2 100.0
3 -50.0
dtype: float64
s.mask(s<0)
0 NaN
1 1.2345
2 100.0000
3 NaN
dtype: float64
s.mask(s<0, -50)
0 -50.0000
1 1.2345
2 100.0000
3 -50.0000
dtype: float64
需要注意的是，传入的条件只需是与被调用的Series索引一致的布尔序列即可：
s_condition= pd.Series([True,False,False,True],index=s.index)
s.mask(s_condition, -50)
0 -50.0000
1 1.2345
2 100.0000
3 -50.0000
dtype: float64
数值替换包含了round, abs, clip方法，它们分别表示按照给定精度四舍五入、取绝对值和截断：
s = pd.Series([-1, 1.2345, 100, -50])
s.round(2)
0 -1.00
1 1.23
2 100.00
3 -50.00
dtype: float64
s.abs()
0 1.0000
1 1.2345
2 100.0000
3 50.0000
dtype: float64
s.clip(0, 2) # 前两个数分别表示上下截断边界
0 0.0000
1 1.2345
2 2.0000
3 0.0000
dtype: float64
【练一练】
在 clip 中，超过边界的只能截断为边界值，如果要把超出边界的替换为自定义的值，应当如何做？
【END】
5. 排序函数
排序共有两种方式，其一为值排序，其二为索引排序，对应的函数是sort_values和sort_index。
为了演示排序函数，下面先利用set_index方法把年级和姓名两列作为索引，多级索引的内容和索引设置的方法将在第三章进行详细讲解。
df_demo = df[['Grade', 'Name', 'Height', 'Weight']].set_index(['Grade','Name'])
df_demo.head(3)
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Freshman | Gaopeng Yang | 158.9 | 46.0 |
| Changqiang You | 166.5 | 70.0 | |
| Senior | Mei Sun | 188.9 | 89.0 |
对身高进行排序，默认参数ascending=True为升序：
df_demo.sort_values('Height').head()
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Junior | Xiaoli Chu | 145.4 | 34.0 |
| Senior | Gaomei Lv | 147.3 | 34.0 |
| Sophomore | Peng Han | 147.8 | 34.0 |
| Senior | Changli Lv | 148.7 | 41.0 |
| Sophomore | Changjuan You | 150.5 | 40.0 |
df_demo.sort_values('Height', ascending=False).head()
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Senior | Xiaoqiang Qin | 193.9 | 79.0 |
| Mei Sun | 188.9 | 89.0 | |
| Gaoli Zhao | 186.5 | 83.0 | |
| Freshman | Qiang Han | 185.3 | 87.0 |
| Senior | Qiang Zheng | 183.9 | 87.0 |
在排序中，经常遇到多列排序的问题，比如在体重相同的情况下，对身高进行排序，并且保持身高降序排列，体重升序排列：
df_demo.sort_values(['Weight','Height'],ascending=[True,False]).head()
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Sophomore | Peng Han | 147.8 | 34.0 |
| Senior | Gaomei Lv | 147.3 | 34.0 |
| Junior | Xiaoli Chu | 145.4 | 34.0 |
| Sophomore | Qiang Zhou | 150.5 | 36.0 |
| Freshman | Yanqiang Xu | 152.4 | 38.0 |
索引排序的用法和值排序完全一致，只不过元素的值在索引中，此时需要指定索引层的名字或者层号，用参数level表示。另外，需要注意的是字符串的排列顺序由字母顺序决定。
df_demo.sort_index(level=['Grade','Name'],ascending=[True,False]).head()
| Height | Weight | ||
|---|---|---|---|
| Grade | Name | ||
| Freshman | Yanquan Wang | 163.5 | 55.0 |
| Yanqiang Xu | 152.4 | 38.0 | |
| Yanqiang Feng | 162.3 | 51.0 | |
| Yanpeng Lv | NaN | 65.0 | |
| Yanli Zhang | 165.1 | 52.0 |
6. apply方法
apply方法常用于DataFrame的行迭代或者列迭代，它的axis含义与第2小节中的统计聚合函数一致，apply的参数往往是一个以序列为输入的函数。例如对于.mean()，使用apply可以如下地写出：
df_demo = df[['Height', 'Weight']]
def my_mean(x):
res = x.mean()
return res
df_demo.apply(my_mean)
Height 163.218033
Weight 55.015873
dtype: float64
同样的，可以利用lambda表达式使得书写简洁，这里的x就指代被调用的df_demo表中逐个输入的序列：
df_demo.apply(lambda x:x.mean())
Height 163.218033
Weight 55.015873
dtype: float64
若指定axis=1，那么每次传入函数的就是行元素组成的Series，其结果与之前的逐行均值结果一致。
df_demo.apply(lambda x:x.mean(), axis=1).head()
0 102.45
1 118.25
2 138.95
3 41.00
4 124.00
dtype: float64
这里再举一个例子：mad函数返回的是一个序列中偏离该序列均值的绝对值大小的均值，例如序列1,3,7,10中，均值为5.25，每一个元素偏离的绝对值为4.25,2.25,1.75,4.75，这个偏离序列的均值为3.25。现在利用apply计算升高和体重的mad指标：
df_demo.apply(lambda x:(x-x.mean()).abs().mean())
Height 6.707229
Weight 10.391870
dtype: float64
这与使用内置的mad函数计算结果一致：
df_demo.mad()
Height 6.707229
Weight 10.391870
dtype: float64
【WARNING】谨慎使用apply
得益于传入自定义函数的处理，apply的自由度很高，但这是以性能为代价的。一般而言，使用pandas的内置函数处理和apply来处理同一个任务，其速度会相差较多，因此只有在确实存在自定义需求的情境下才考虑使用apply。
