效率驚人！三大相見恨晚的Pandas函數
本文轉載自公眾號“讀芯術”(ID：AI_Discovery)
數據科學領域如此之廣，鮮少有人能精通所有語言、數據庫，筆者盡管已經從事了該行業數年之久，但仍然所知不多。學無止境，變得優秀的方法就是不停下學習的腳步。
在Pandas中，一些函數意義純粹，但也有一些函數指的是使用Pandas的方式，以及為什么一種方法比另一種更好。這兒有一些節省大量的時間和精力Pandas函數和使用方法，這些效率驚人的神器千萬不要錯過。
itertuples()
確實，它并不是純粹的函數，而是指使用Pandas的更有效方法，是循環訪問數據集的快捷方法。在花時間理解注釋部分之前，可以用更有效的方法計算總列值，在此筆者僅提出一些要點。
下面是一列簡單數據集，數字范圍為1到1百萬。
- df =pd.DataFrame(data={
- 'Number': range(1, 1000000)
- })
這是前幾行的示例：
現在列舉一個錯誤的方式。輸入一個總計變量并將其設置為0. 然后，通過使用iterrows()循環訪問數據集，并在total的基礎上增加當前行的值，與此同時統計操作時間。以下是代碼：
- %%timetotal= 0for _, row in df.iterrows():
- total += row['Number']
- total>>> Wall time: 18.7 s
這項小小的操作歷時將近19秒，而現在有一個更快捷的方法，與上述操作大致相同，但要加iteruples 而不是 iterrows：
- %%timetotal= 0for row in df.itertuples(index=False):
- total += row.Number
- total>>> Wall time: 82.1 ms
筆者沒有計算時間，但可以看到操作速度提高非常明顯。下次執行循環時請記住這一點。
nlargest()和nsmallest()
筆者計算了兩個緯度/經度對之間的距離(以公里為單位)。那是第一步操作，第二步是選擇距離最小的前N條記錄。
輸入-nsmallest()。nlargest()將返回N個最大值，而nsmallest()將恰好相反。
看看它的實際結果。在實際操作中，筆者準備了一個小的數據集：
- df =pd.DataFrame(data={
- 'Name': ['Bob', 'Mark', 'Josh','Anna', 'Peter', 'Dexter'],
- 'Points': [37, 91, 66, 42, 99, 81]
- })
結果如下：
現在該數據集不是僅僅6行，而是包含了6000行，為了找到表現最好的學生，即分數最高，一種方法是這樣的：
- df['Points'].nlargest(3)
但這不是最佳解決方案，它會導致以下結果，沒有清楚顯示真實姓名：
改善方法如下：
- df.nlargest(3,columns='Points')
怎么樣，是不是看起來更棒了：
以幾乎相同的操作來找到3個表現最差的學生-使用nsmallest()功能：
- df.nsmallest(3,columns='Points')
輸出結果如下：
cut()
這一部分將繼續使用上一部分中的數據集，來回顧一下：
- df =pd.DataFrame(data={
- 'Name': ['Bob', 'Mark', 'Josh','Anna', 'Peter', 'Dexter'],
- 'Points': [37, 91, 66, 42, 99, 81]
- })
cut()函數的基本原理是將值分為不同的區間。下面是最簡單的示例，將從Points屬性創建兩個容器：
- pd.cut(df['Points'],bins=2)
現在還看不出效果。但是如何輸入從0到50的區間，以及第二個從50到100的區間呢?聽起來有點麻煩。以下為代碼：
- pd.cut(df['Points'],bins=[0, 50, 100])
但是需要注意的是，您要顯示的是Fail而不是(0，50]，要顯示Pass而不是(50，100]。你需要這樣做：
- pd.cut(df['Points'],bins=[0, 50, 100], labels=['Fail', 'Pass'])
對于剛入門的程序員，這些功能將有助于節省時間和精力;如果你是資深程序員，本文或許能幫你加強對這些函數的了解，避免每次都得從頭開始捋，因為這樣毫無意義。
