編者按：依靠完善的編程語言生態(tài)系統(tǒng)和更好的科學(xué)計(jì)算庫，如今Python幾乎已經(jīng)成了數(shù)據(jù)科學(xué)家的首選語言。如果你正開始學(xué)習(xí)Python，而且目標(biāo)是數(shù)據(jù)分析，相信NumPy、SciPy、Pandas會(huì)是你進(jìn)階路上的必備法寶。尤其是對(duì)數(shù)學(xué)專業(yè)的人來說，Pandas可以作為一個(gè)首選的數(shù)據(jù)分析切入點(diǎn)。

本文將介紹12種用于數(shù)據(jù)分析的Pandas技巧，為了更好地描述它們的效果，這里我們用一個(gè)數(shù)據(jù)集輔助進(jìn)行操作。

數(shù)據(jù)集：我們研究的主題是貸款預(yù)測(cè)，請(qǐng)到datahack.analyticsvidhya.com/contest/practice-problem-loan-prediction下載數(shù)據(jù)（需注冊(cè)），并開始學(xué)習(xí)之旅。

預(yù)備！開始！

首先，我們先導(dǎo)入模塊，并將數(shù)據(jù)集加載到Python環(huán)境中：

import pandas as pd

import numpy as np

data = pd.read_csv("train.csv", index_col="Loan_ID")

1. Boolean Indexing

在表格中，如果你想根據(jù)另一列的條件篩選當(dāng)前列的值，你會(huì)怎么做？舉個(gè)例子，假設(shè)我們想要一份所有未畢業(yè)但已經(jīng)辦理了貸款的女性清單，具體的操作是什么？在這種情況下，Boolean Indexing，也就是布爾索引能提供相應(yīng)的功能。我們只需這樣做：

data.loc[(data["Gender"]=="Female") & (data["Education"]=="Not Graduate") & (data["Loan_Status"]=="Y"), ["Gender","Education","Loan_Status"]]

2. Apply Function

Apply函數(shù)是使用數(shù)據(jù)和創(chuàng)建新變量的常用函數(shù)之一。在對(duì)DataFrame的特定行/列應(yīng)用一些函數(shù)后，它會(huì)返回相應(yīng)的值。這些函數(shù)既可以是默認(rèn)的，也可以是用戶自定義的。如這里我們就定義了一個(gè)查找每行/列中缺失值的函數(shù)：

#Create a new function:

def num_missing(x):

return sum(x.isnull())

#Applying per column:

print"Missing values per column:"

print data.apply(num_missing, axis=0) #axis=0 defines that function is to be applied on each column

#Applying per row:

print" Missing values per row:"

print data.apply(num_missing, axis=1).head() #axis=1 defines that function is to be applied on each row

我們得到了預(yù)期的結(jié)果。需要注意的一點(diǎn)是，這里head() 函數(shù)只作用于第二個(gè)輸出，因?yàn)樗嘈袛?shù)據(jù)。

3. 替換缺失值

對(duì)于替換缺失值，fillna()可以一步到位。它會(huì)用目標(biāo)列的平均值/眾數(shù)/中位數(shù)更新缺失值，以此達(dá)到目的。在這個(gè)示例中，讓我們用眾數(shù)分別更新Gender、Married、Self_Employed這幾列的缺失值：

#First we import a function to determine the mode

from scipy.stats import mode

mode(data['Gender'])

輸出：

ModeResult(mode=array([‘Male’], dtype=object), count=array([489]))

我們得到了眾數(shù)及其出現(xiàn)的次數(shù)。記住很多時(shí)候眾數(shù)會(huì)是一個(gè)數(shù)組，因?yàn)榭赡軘?shù)據(jù)中存在多個(gè)高頻詞，默認(rèn)情況下，我們會(huì)選擇第一個(gè)：

mode(data['Gender']).mode[0]

*‘Male’

現(xiàn)在我們就能更新缺失值，并檢測(cè)自己對(duì)Apply函數(shù)的掌握情況：

#Impute the values:

data['Gender'].fillna(mode(data['Gender']).mode[0], inplace=True)

data['Married'].fillna(mode(data['Married']).mode[0], inplace=True)

data['Self_Employed'].fillna(mode(data['Self_Employed']).mode[0], inplace=True)

#Now check the #missing values again to confirm:

print data.apply(num_missing, axis=0)

從結(jié)果上看，缺失值的確被補(bǔ)上了，但這只是最原始的形式，在現(xiàn)實(shí)工作中，我們還要掌握更復(fù)雜的方法，如分組使用平均值/眾數(shù)/中位數(shù)、對(duì)缺失值進(jìn)行建模等。

4. Pivot Table

Pandas可以用來創(chuàng)建MS Excel樣式數(shù)據(jù)透視表（Pivot Table）。在本文的例子中，數(shù)據(jù)的關(guān)鍵列是含有缺失值的“LoanAmount”。為了獲得具體的貸款額度數(shù)字，我們可以用Gender、Married、Self_Employed這幾列的貸款情況進(jìn)行估算：

#Determine pivot table

impute_grps = data.pivot_table(values=["LoanAmount"], index=["Gender","Married","Self_Employed"], aggfunc=np.mean)

print impute_grps

5. Multi-Indexing

如果你仔細(xì)觀察了“替換缺失值”那一節(jié)的輸出，你可能會(huì)發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象，就是每個(gè)索引都由3個(gè)值組合而成。這被稱為多重索引（Multi-Indexing），它有助于操作的快速執(zhí)行。

讓我們接著這個(gè)例子，假設(shè)現(xiàn)在我們有各列的值，但還沒有進(jìn)行缺失值估算。這時(shí)就要用到之前的各種技巧：

#iterate only through rows with missing LoanAmount

for i,row in data.loc[data['LoanAmount'].isnull(),:].iterrows():

ind = tuple([row['Gender'],row['Married'],row['Self_Employed']])

data.loc[i,'LoanAmount'] = impute_grps.loc[ind].values[0]

#Now check the #missing values again to confirm:

print data.apply(num_missing, axis=0)

注：

多索引需要元組來定義loc語句中的索引組。這是一個(gè)在函數(shù)中要用到的元組。

values [0]的后綴是必需的，因?yàn)槟J(rèn)情況下返回的值與DataFrame的值不匹配。在這種情況下，直接分配會(huì)出現(xiàn)錯(cuò)誤。

6. Crosstab

這個(gè)函數(shù)可以被用來塑造對(duì)數(shù)據(jù)的初始“感覺（概覽）”，通俗地講，就是我們可以驗(yàn)證一些基本假設(shè)，如在貸款案例中，“Credit_History”會(huì)影響個(gè)人貸款成功與否。這可以用交叉表（Crosstab）測(cè)試，如下所示：

pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True)

如果說數(shù)值還不夠直觀，我們可以用apply函數(shù)把它轉(zhuǎn)換成百分比：

def percConvert(ser):

return ser/float(ser[-1])

pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True).apply(percConvert, axis=1)

顯然，有“CreditHistory”的人獲得貸款的機(jī)會(huì)更大，有80%以上的概率，而沒有“CreditHistory”的人獲得貸款的概率只有可憐的9%。

但是這就是個(gè)簡單的預(yù)測(cè)結(jié)果嗎？不是的，這里包含著一個(gè)有趣的故事。已知有CreditHistory”的人獲得貸款的概率更高，那我們大可以設(shè)他們的“LoanStatus”為Y，其他人的為N，這樣一個(gè)模型的預(yù)測(cè)結(jié)果會(huì)是什么樣的？我們進(jìn)行了614次測(cè)試，而它的正確預(yù)測(cè)次數(shù)是82+378=460，75%的準(zhǔn)確率！

也許你會(huì)吐槽這么個(gè)問題為什么要扯到統(tǒng)計(jì)模型。我不否認(rèn)，但我只想說明一點(diǎn)，就是如果你能把這個(gè)模型的準(zhǔn)確率再提升哪怕0.001%，這都是個(gè)巨大的突破。

注：這里的75%是個(gè)大概的值，具體數(shù)字在訓(xùn)練集和測(cè)試集上有所不同。我希望這能直觀地解釋為什么在Kaggle這樣的比賽中，0.05%的準(zhǔn)確率提升能帶來500名以上的排名提升。

7. 合并DataFrame

當(dāng)我們需要將來自不同來源的信息進(jìn)行整合時(shí)，合并DataFrame（或者你們愛說數(shù)據(jù)框）就變得很重要了?，F(xiàn)在房價(jià)很熱，炒房團(tuán)也很熱，所以我們先用數(shù)據(jù)集的數(shù)據(jù)假設(shè)一份各地區(qū)房屋均價(jià)（1平）不同的表：

prop_rates = pd.DataFrame（[1000,5000,12000]，index = ['Rural'，'Semiurban'，'Urban']，columns = ['rates']）

prop_rates

現(xiàn)在我們可以將這些信息與原始DataFrame合并為：

data_merged = data.merge(right=prop_rates, how='inner',left_on='Property_Area',right_index=True, sort=False)

data_merged.pivot_table(values='Credit_History',index=['Property_Area','rates'], aggfunc=len)

反正買不起，好了，數(shù)據(jù)合并成功了。請(qǐng)注意，'values'參數(shù)在這里是沒什么用的，因?yàn)槲覀冎皇亲鲇?jì)數(shù)。

8. DataFrame排序

Pandas可以輕松基于多列進(jìn)行排序，如下所示

data_sorted = data.sort_values(['ApplicantIncome','CoapplicantIncome'], ascending=False)

data_sorted[['ApplicantIncome','CoapplicantIncome']].head(10)

注：Pandas的sort函數(shù)已經(jīng)不能用了，現(xiàn)在排序要調(diào)用sort_value。

9. 繪圖（Boxplot和直方圖）

很多人可能不知道自己能直接在Pandas里繪制盒形圖和直方圖，無需單獨(dú)調(diào)用matplotlib，一行命令就能搞定。例如，如果我們想比較Loan_Status的ApplicantIncome的分布情況：

import matplotlib.pyplot as plt

%matplotlib inline

data.boxplot(column="ApplicantIncome",by="Loan_Status")

data.hist(column="ApplicantIncome",by="Loan_Status",bins=30)

這兩幅圖表明收入在貸款過程中所占的比重并沒有我們想象中那么高，無論是被拒的還是收到貸款的，他們的收入沒有非常明顯的區(qū)別。

10. Cut function for binning

有時(shí)候聚類后的數(shù)據(jù)會(huì)更有意義。以今天最近車禍頻發(fā)的自動(dòng)駕駛汽車為例，如果我們要用它捕獲的數(shù)據(jù)重現(xiàn)某條路上的交通情況，比起一整天的流暢數(shù)據(jù)，或是把一天均勻分割為24個(gè)小時(shí)，“早上”“下午”“晚上”“夜晚”“深夜”這幾個(gè)關(guān)鍵時(shí)段的數(shù)據(jù)包含的信息量更多，也更有效。如果我們用這些數(shù)據(jù)建模，它的成果會(huì)更直觀，而且可以避免過擬合。

這里我們定義一個(gè)簡單的函數(shù)，它可以高效binning：

#Binning:

def binning(col, cut_points, labels=None):

#Define min and max values:

minval = col.min()

maxval = col.max()

#create list by adding min and max to cut_points

break_points = [minval] + cut_points + [maxval]

#if no labels provided, use default labels 0 ... (n-1)

ifnot labels:

labels = range(len(cut_points)+1)

#Binning using cut function of pandas

colBin = pd.cut(col,bins=break_points,labels=labels,include_lowest=True)

return colBin

#Binning age:

cut_points = [90,140,190]

labels = ["low","medium","high","very high"]

data["LoanAmount_Bin"] = binning(data["LoanAmount"], cut_points, labels)

print pd.value_counts(data["LoanAmount_Bin"], sort=False)

11. 為nominal數(shù)據(jù)編碼

有時(shí)候我們需要對(duì)稱名數(shù)據(jù)（nominal數(shù)據(jù)）重新分類，這可能是由于各種原因造成的：

一些算法（如Logistic回歸）要求所有輸入都是數(shù)字，所以我們要把稱名變量重新編碼為0,1 ...（n-1）。

有時(shí)一個(gè)類別可能包含多種表達(dá)，如“溫度”可以被記錄為“High”“Medium”“Low”“H”“l(fā)ow”，其中“High”和“H”是一碼事，“Low”和“l(fā)ow”也是一碼事，但Python會(huì)認(rèn)為它們是不同的。

有些類別的頻數(shù)非常低，所以我們應(yīng)該把它們合并起來。

為了解決這個(gè)問題，這里我們定義了一個(gè)簡單的函數(shù)，它把輸入作為“字典”，然后調(diào)用Pandas的replace函數(shù)重新編碼：

#Define a generic function using Pandas replace function

def coding(col, codeDict):

colCoded = pd.Series(col, copy=True)

for key, value in codeDict.items():

colCoded.replace(key, value, inplace=True)

return colCoded

#Coding LoanStatus as Y=1, N=0:

print'Before Coding:'

print pd.value_counts(data["Loan_Status"])

data["Loan_Status_Coded"] = coding(data["Loan_Status"], {'N':0,'Y':1})

print' After Coding:'

print pd.value_counts(data["Loan_Status_Coded"])

12. 迭代dataframe的行

這不是一個(gè)常用的技巧，但如果遇到這種問題，相信沒人想到時(shí)候再絞盡腦汁想辦法，或者直接自暴自棄用for循環(huán)遍歷所有行。這里我們舉兩個(gè)要用到這種方法的場(chǎng)景：

當(dāng)帶有數(shù)字的nominal variable被當(dāng)成數(shù)字。

當(dāng)某一行帶有字符（因?yàn)閿?shù)據(jù)錯(cuò)誤）的Numeric variable被當(dāng)成分類。

這時(shí)我們就要手動(dòng)定義列的類別。雖然很麻煩，但這之后如果我們?cè)贆z查數(shù)據(jù)類別：

#Check current type:

data.dtypes

它的輸出會(huì)是：

這里我們看到Credit_History是一個(gè)稱名變量，但是它卻顯示為float。解決這些問題的一個(gè)好方法是創(chuàng)建一個(gè)包含列名和類型的csv文件，有了它，我們就可以創(chuàng)建一個(gè)函數(shù)來讀取文件并分配列數(shù)據(jù)類型。

#Load the file:

colTypes = pd.read_csv('datatypes.csv')

print colTypes

加載這個(gè)文件后，我們可以遍歷每一行，并使用'type'列將數(shù)據(jù)類型賦值給'feature'列中定義的變量名稱。

#Iterate through each row and assign variable type.

#Note: astype is used to assign types

for i, row in colTypes.iterrows(): #i: dataframe index; row: each row in series format

if row['type']=="categorical":

data[row['feature']]=data[row['feature']].astype(np.object)

elif row['type']=="continuous":

data[row['feature']]=data[row['feature']].astype(np.float)

print data.dtypes

希望本文對(duì)你有用！