本文所整理的技巧與以前整理過10個Pandas的常用技巧不同，你可能并不會經常的使用它，但是有時候當你遇到一些非常棘手的問題時，這些技巧可以幫你快速解決一些不常見的問題。
1、Categorical類型
默認情況下，具有有限數量選項的列都會被分配object 類型。 但是就內存來說并不是一個有效的選擇。 我們可以這些列建立索引，并僅使用對對象的引用而實際值。Pandas 提供了一種稱為 Categorical的Dtype來解決這個問題。
例如一個帶有圖片路徑的大型數據集組成。 每行有三列：anchor, positive, and negative.。
如果類別列使用 Categorical 可以顯著減少內存使用量。
# raw data
+----------+------------------------+
| class | filename |
+----------+------------------------+
| Bathroom | Bathroom\bath_1.jpg |
| Bathroom | Bathroom\bath_100.jpg |
| Bathroom | Bathroom\bath_1003.jpg |
| Bathroom | Bathroom\bath_1004.jpg |
| Bathroom | Bathroom\bath_1005.jpg |
+----------+------------------------+
# target
+------------------------+------------------------+----------------------------+
| anchor | positive | negative |
+------------------------+------------------------+----------------------------+
| Bathroom\bath_1.jpg | Bathroom\bath_100.jpg | Dinning\din_540.jpg |
| Bathroom\bath_100.jpg | Bathroom\bath_1003.jpg | Dinning\din_1593.jpg |
| Bathroom\bath_1003.jpg | Bathroom\bath_1004.jpg | Bedroom\bed_329.jpg |
| Bathroom\bath_1004.jpg | Bathroom\bath_1005.jpg | Livingroom\living_1030.jpg |
| Bathroom\bath_1005.jpg | Bathroom\bath_1007.jpg | Bedroom\bed_1240.jpg |
+------------------------+------------------------+----------------------------+
filename列的值會經常被復制重復。因此，所以通過使用Categorical可以極大的減少內存使用量。
讓我們讀取目標數據集，看看內存的差異：
triplets.info(memory_usage="deep")
# Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 anchor 525000 non-null category
# 1 positive 525000 non-null category
# 2 negative 525000 non-null category
# dtypes: category(3)
# memory usage: 4.6 MB
# without categories
triplets_raw.info(memory_usage="deep")
# Column Non-Null Count Dtype
# --- ------ -------------- -----
# 0 anchor 525000 non-null object
# 1 positive 525000 non-null object
# 2 negative 525000 non-null object
# dtypes: object(3)
# memory usage: 118.1 MB
差異非常大，并且隨著重復次數的增加，差異呈非線性增長。
2、行列轉換
sql中經常會遇到行列轉換的問題，Pandas有時候也需要，讓我們看看來自Kaggle比賽的數據集。census_start .csv文件:
可以看到，這些按年來保存的，如果有一個列year和pct_bb，并且每一行有相應的值，則會好得多，對吧。
cols = sorted([col for col in original_df.columns \
if col.startswith("pct_bb")])
df = original_df[(["cfips"] + cols)]
df = df.melt(id_vars="cfips",
value_vars=cols,
var_name="year",
value_name="feature").sort_values(by=["cfips", "year"])
看看結果，這樣是不是就好很多了：
3、apply()很慢
我們上次已經介紹過，最好不要使用這個方法，因為它遍歷每行并調用指定的方法。但是要是我們沒有別的選擇，那還有沒有辦法提高速度呢？
可以使用swifter或pandarallew這樣的包，使過程并行化。
Swifter
import pandas as pd
import swifter
def target_function(row):
return row * 10
def traditional_way(data):
data['out'] = data['in'].apply(target_function)
def swifter_way(data):
data['out'] = data['in'].swifter.apply(target_function)
Pandarallel
import pandas as pd
from pandarallel import pandarallel
def target_function(row):
return row * 10
def traditional_way(data):
data['out'] = data['in'].apply(target_function)
def pandarallel_way(data):
pandarallel.initialize()
data['out'] = data['in'].parallel_apply(target_function)
通過多線程，可以提高計算的速度，當然當然，如果有集群，那么最好使用dask或pyspark
4、空值，int, Int64
標準整型數據類型不支持空值，所以會自動轉換為浮點數。所以如果數據要求在整數字段中使用空值，請考慮使用Int64數據類型，因為它會使用pandas.NA來表示空值。
5、Csv, 壓縮還是parquet?
盡可能選擇parquet。parquet會保留數據類型，在讀取數據時就不需要指定dtypes。parquet文件默認已經使用了snappy進行壓縮，所以占用的磁盤空間小。下面可以看看幾個的對比
| file | size |
+------------------------+---------+
| triplets_525k.csv | 38.4 MB |
| triplets_525k.csv.gzip | 4.3 MB |
| triplets_525k.csv.zip | 4.5 MB |
| triplets_525k.parquet | 1.9 MB |
+------------------------+---------+
讀取parquet需要額外的包，比如pyarrow或fastparquet。chatgpt說pyarrow比fastparquet要快，但是我在小數據集上測試時fastparquet比pyarrow要快，但是這里建議使用pyarrow，因為pandas 2.0也是默認的使用這個。
6、value_counts ()
計算相對頻率，包括獲得絕對值、計數和除以總數是很復雜的，但是使用value_counts，可以更容易地完成這項任務，并且該方法提供了包含或排除空值的選項。
df = pd.DataFrame({"a": [1, 2, None], "b": [4., 5.1, 14.02]})
df["a"] = df["a"].astype("Int64")
print(df.info())
print(df["a"].value_counts(normalize=True, dropna=False),
df["a"].value_counts(normalize=True, dropna=True), sep="\n\n")
這樣是不是就簡單很多了
7、Modin
注意：Modin現在還在測試階段。
pandas是單線程的，但Modin可以通過縮放pandas來加快工作流程，它在較大的數據集上工作得特別好，因為在這些數據集上，pandas會變得非常緩慢或內存占用過大導致OOM。
!pip install modin[all]
import modin.pandas as pd
df = pd.read_csv("my_dataset.csv")
以下是modin官網的架構圖，有興趣的研究把：
8、extract()
如果經常遇到復雜的半結構化的數據，并且需要從中分離出單獨的列，那么可以使用這個方法：
import pandas as pd
regex = (r'(?P<title>[A-Za-z\'\s]+),'
r'(?P<author>[A-Za-z\s\']+),'
r'(?P<isbn>[\d-]+),'
r'(?P<year>\d{4}),'
r'(?P<publisher>.+)')
addr = pd.Series([
"The Lost City of Amara,Olivia Garcia,978-1-234567-89-0,2023,HarperCollins",
"The Alchemist's Daughter,Maxwell Greene,978-0-987654-32-1,2022,Penguin Random House",
"The Last Voyage of the HMS Endeavour,Jessica Kim,978-5-432109-87-6,2021,Simon & Schuster",
"The Ghosts of Summer House,Isabella Lee,978-3-456789-12-3,2000,Macmillan Publishers",
"The Secret of the Blackthorn Manor,Emma Chen,978-9-876543-21-0,2023,Random House Children's Books"
])
addr.str.extract(regex)
9、讀寫剪貼板
這個技巧有人一次也用不到，但是有人可能就是需要，比如：在分析中包含PDF文件中的表格時。通常的方法是復制數據，粘貼到Excel中，導出到csv文件中，然后導入Pandas。但是，這里有一個更簡單的解決方案:pd.read_clipboard()。我們所需要做的就是復制所需的數據并執行一個方法。
有讀就可以寫，所以還可以使用to_clipboard()方法導出到剪貼板。
但是要記住，這里的剪貼板是你運行python/jupyter主機的剪切板，并不可能跨主機粘貼，一定不要搞混了。
10、數組列分成多列
假設我們有這樣一個數據集，這是一個相當典型的情況:
import pandas as pd
df = pd.DataFrame({"a": [1, 2, 3],
"b": [4, 5, 6],
"category": [["foo", "bar"], ["foo"], ["qux"]]})
# let's increase the number of rows in a dataframe
df = pd.concat([df]*10000, ignore_index=True)
我們想將category分成多列顯示，例如下面的
先看看最慢的apply：
def dummies_series_apply(df):
return df.join(df['category'].apply(pd.Series) \
.stack() \
.str.get_dummies() \
.groupby(level=0) \
.sum()) \
.drop("category", axis=1)
%timeit dummies_series_apply(df.copy())
#5.96 s ± 66.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
sklearn的MultiLabelBinarizer
from sklearn.preprocessing import MultiLabelBinarizer
def sklearn_mlb(df):
mlb = MultiLabelBinarizer()
return df.join(pd.DataFrame(mlb.fit_transform(df['category']), columns=mlb.classes_)) \
.drop("category", axis=1)
%timeit sklearn_mlb(df.copy())
#35.1 ms ± 1.31 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
是不是快了很多，我們還可以使用一般的向量化操作對其求和：
def dummies_vectorized(df):
return pd.get_dummies(df.explode("category"), prefix="cat") \
.groupby(["a", "b"]) \
.sum() \
.reset_index()
%timeit dummies_vectorized(df.copy())
#29.3 ms ± 1.22 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
使用第一個方法(在StackOverflow上的回答中非常常見)會給出一個非常慢的結果。而其他兩個優化的方法的時間是非常快速的。
總結
我希望每個人都能從這些技巧中學到一些新的東西。重要的是要記住盡可能使用向量化操作而不是apply()。此外，除了csv之外，還有其他有趣的存儲數據集的方法。不要忘記使用分類數據類型，它可以節省大量內存。感謝閱讀!
