这8个Python技巧让你的数据分析提升数倍!

开发 后端
这篇文章介绍了8个使用Python进行数据分析的方法,不仅能够提升运行效率,还能够使代码更加“优美”。

不管是参加Kaggle比赛,还是开发一个深度学习应用,第一步总是数据分析,这篇文章介绍了8个使用Python进行数据分析的方法,不仅能够提升运行效率,还能够使代码更加“优美”。

[[276435]]

Python for Data Science: 8 Concepts You May Have Forgotten

一行代码定义List

定义某种列表时,写For 循环过于麻烦,幸运的是,Python有一种内置的方法可以在一行代码中解决这个问题。

下面是使用For循环创建列表和用一行代码创建列表的对比。 

x = [1,2,3,4]  
out = []  
for item in x:  
    out.append(item**2)  
print(out)  
[1, 4, 9, 16]  
# vs.  
x = [1,2,3,4]  
out = [item**2 for item in x]  
print(out)  
[1, 4, 9, 16] 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.

Lambda表达式

厌倦了定义用不了几次的函数?Lambda表达式是你的救星!Lambda表达式用于在Python中创建小型,一次性和匿名函数对象。它能替你创建一个函数。

lambda表达式的基本语法是: 

lambda arguments: expression 
  • 1.

请注意,只要有一个lambda表达式,就可以完成常规函数可以执行的任何操作。你可以从下面的例子中,感受lambda表达式的强大功能: 

double = lambda x: x * 2  
print(double(5))  
10 
  • 1.
  • 2.
  • 3.

Map和Filter

一旦掌握了lambda表达式,学习将它们与Map和Filter函数配合使用,可以实现更为强大的功能。

具体来说,map通过对列表中每个元素执行某种操作并将其转换为新列表。在本例中,它遍历每个元素并乘以2,构成新列表。请注意,list()函数只是将输出转换为列表类型。 

# Map  
seq = [1, 2, 3, 4, 5]  
result = list(map(lambda var: var*2, seq))  
print(result)  
[2, 4, 6, 8, 10] 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

Filter函数接受一个列表和一条规则,就像map一样,但它通过比较每个元素和布尔过滤规则来返回原始列表的一个子集。 

# Filter  
seq = [1, 2, 3, 4, 5]  
result = list(filter(lambda x: x > 2, seq))  
print(result)  
[3, 4, 5] 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

Arange和Linspace

Arange返回给定步长的等差列表。它的三个参数start、stop、step分别表示起始值,结束值和步长, 请注意,stop点是一个“截止”值,因此它不会包含在数组输出中。 

# np.arange(start, stop, step)  
np.arange(3, 7, 2)  
array([3, 5]) 
  • 1.
  • 2.
  • 3.

Linspace和Arrange非常相似,但略有不同。Linspace以指定数目均匀分割区间。所以给定区间start和end,以及等分分割点数目num,linspace将返回一个NumPy数组。这对绘图时数据可视化和声明坐标轴特别有用。 

# np.linspace(start, stop, num)  
np.linspace(2.0, 3.0, num=5 
array([ 2.0,  2.25,  2.5,  2.75, 3.0]) 
  • 1.
  • 2.
  • 3.

Axis代表什么?

在Pandas中,删除一列或在NumPy矩阵中求和值时,可能会遇到Axis。我们用删除一列(行)的例子: 

df.drop( Column A , axis=1 
df.drop( Row A , axis=0
  • 1.
  • 2.

如果你想处理列,将Axis设置为1,如果你想要处理行,将其设置为0。但为什么呢?回想一下Pandas中的shape 

df.shape  
(# of Rows, # of Columns) 
  • 1.
  • 2.

从Pandas DataFrame中调用shape属性返回一个元组,第一个值代表行数,第二个值代表列数。如果你想在Python中对其进行索引,则行数下标为0,列数下标为1,这很像我们如何声明轴值。

Concat,Merge和Join

如果您熟悉SQL,那么这些概念对您来说可能会更容易。无论如何,这些函数本质上就是以特定方式组合DataFrame的方式。在哪个时间跟踪哪一个最适合使用可能很困难,所以让我们回顾一下。

Concat允许用户在表格下面或旁边追加一个或多个DataFrame(取决于您如何定义轴)。

Merge将多个DataFrame合并指定主键(Key)相同的行。

Join,和Merge一样,合并了两个DataFrame。但它不按某个指定的主键合并,而是根据相同的列名或行名合并。

Pandas Apply

Apply是为Pandas Series而设计的。如果你不太熟悉Series,可以将它想成类似Numpy的数组。

Apply将一个函数应用于指定轴上的每一个元素。使用Apply,可以将DataFrame列(是一个Series)的值进行格式设置和操作,不用循环,非常有用! 

df = pd.DataFrame([[4, 9],] * 3, columns=[ A ,  B ])  
 df  
   A  B  
0  4  9  
1  4  9  
2  4  9  
df.apply(np.sqrt)  
     A    B  
0  2.0  3.0  
1  2.0  3.0  
2  2.0  3.0  
 df.apply(np.sum, axis=0)A    12  
B    27  
df.apply(np.sum, axis=1 
0    13  
1    13  
2    13 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.

Pivot Tables

最后是Pivot Tables。如果您熟悉Microsoft Excel,那么你也许听说过数据透视表。Pandas内置的pivot_table函数以DataFrame的形式创建电子表格样式的数据透视表,,它可以帮助我们快速查看某几列的数据。下面是几个例子:非常智能地将数据按照“Manager”分了组 

pd.pivot_table(df, index=["Manager", "Rep"]) 
  • 1.

或者也可以筛选属性值 

pd.pivot_table(df,index=["Manager","Rep"],values=["Price"]) 
  • 1.

总结

我希望上面的这些描述能够让你发现Python一些好用的函数和概念。

 

 

责任编辑:庞桂玉 来源: 民工哥技术之路
相关推荐

2018-08-23 17:15:10

编程语言Python数据分析

2020-07-07 14:35:41

Python数据分析命令

2016-10-09 20:07:43

2015-11-16 10:03:10

效率

2019-08-22 17:43:40

PythonHTML可视化技术

2019-07-08 14:45:17

Excel数据分析数据处理

2019-06-06 16:30:02

数据分析图表大数据

2021-02-16 00:17:39

电脑技巧系统

2024-10-11 18:36:51

2019-10-27 23:36:02

Python数据分析数据

2017-09-08 08:43:39

iOS 11SafariPDF

2019-12-25 14:19:21

Python编程语言Java

2020-07-08 17:06:00

Python开发工具

2019-07-10 15:51:40

Python数据分析代码

2020-04-07 17:31:29

React容器程序员

2013-01-06 11:01:59

大数据分析

2014-08-11 12:54:27

构建模块代码审查编程

2020-08-21 08:52:09

Python数据分析工具

2019-07-25 14:23:36

2021-07-07 09:50:23

NumpyPandasPython
点赞
收藏

51CTO技术栈公众号