在pandas中使用pipe()提升代码可读性-pandas使用教程

1. 简介

我们在利用pandas开展数据分析时，应尽量避免过于「碎片化」的组织代码，尤其是创建出过多不必要的「中间变量」，既浪费了「内存」，又带来了关于变量命名的麻烦，更不利于整体分析过程代码的可读性，因此以流水线方式组织代码非常有必要。

图1

而在以前我撰写的一些文章中，为大家介绍过pandas中的eval()和query()这两个帮助我们链式书写代码，搭建数据分析工作流的实用API，再加上下面要介绍的pipe()，我们就可以将任意pandas代码完美组织成流水线形式。

2. 在pandas中灵活利用pipe()pipe()

顾名思义，就是专门用于对Series和DataFrame操作进行流水线(pipeline)改造的API，其作用是将嵌套的函数调用过程改造为「链式」过程，其第一个参数func传入作用于对应Series或DataFrame的函数。

具体来说pipe()有两种使用方式，「第一种方式」下，传入函数对应的第一个位置上的参数必须是目标Series或DataFrame，其他相关的参数使用常规的「键值对」方式传入即可，就像下面的例子一样，我们自编函数对「泰坦尼克数据集」进行一些基础的特征工程处理：

import pandas as pd 
 
train = pd.read_csv('train.csv') 
 
def do_something(data, dummy_columns): 
    ''' 
    自编示例函数 
    ''' 
 
    data = ( 
        pd 
        # 对指定列生成哑变量 
        .get_dummies(data, # 先删除data中指定列 
                     columns=dummy_columns, 
                     drop_first=True) 
    ) 
     
    return data 
 
# 链式流水线 
( 
    train 
    # 将Pclass列转换为字符型以便之后的哑变量处理 
    .eval('PclassPclass=Pclass.astype("str")', engine='python') 
    # 删除指定列 
    .drop(columns=['PassengerId', 'Name', 'Cabin', 'Ticket']) 
    # 利用pipe以链式的方式调用自编函数 
    .pipe(do_something,  
          dummy_columns=['Pclass', 'Sex', 'Embarked']) 
    # 删除含有缺失值的行 
    .dropna() 
) 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.

可以看到，在紧接着drop()下一步的pipe()中，我们将自编函数作为其第一个参数传入，从而将一系列操作巧妙地嵌入到链式过程中。

「第二种使用方式」适合目标Series和DataFrame不为传入函数第一个参数的情况，譬如下面的例子中我们假设目标输入数据为第二个参数data2，则pipe()的第一个参数应以(函数名, '参数名称')的格式传入：

def do_something(data1, data2, axis): 
    ''' 
    自编示例函数 
    ''' 
 
    data = ( 
        pd 
        .concat([data1, data2], axisaxis=axis) 
    ) 
     
    return data 
 
# pipe()第二种使用方式 
( 
    train 
    .pipe((do_something, 'data2'), data1=train, axis=0) 
) 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.

在这样的设计下我们可以避免很多函数嵌套调用方式，随心所欲地优化我们的代码~