Pandas中高效的选择和替换操作总结

　　作为数据科学家，使用正确的工具和技术来最大限度地利用数据是很重要的。Pandas是数据操作、分析和可视化的重要工具，有效地使用Pandas可能具有挑战性，从使用向量化操作到利用内置函数，这些最佳实践可以帮助数据科学家使用Pandas快速准确地分析和可视化数据。
　　在本文中，我们将重点介绍在DataFrame上经常执行的两个最常见的任务，特别是在数据科学项目的数据操作阶段。这两项任务是有效地选择特定的和随机的行和列，以及使用replace()函数使用列表和字典替换一个或多个值。
　　在本文中，我们将使用下面的数据集:扑克牌游戏数据集婴儿名字数据集
　　我们使用的第一个数据集是扑克牌游戏数据集，如下所示。poker_data = pd.read_csv(＂poker_hand.csv＂) poker_data.head()
　　在每个回合中，每个玩家手里有五张牌，每一张牌都有花色：红心、方块、梅花或黑桃，以及它的数字，范围从1到13。该数据集由一个人可以拥有的五张卡片的每一种可能组合组成。
　　Sn:第n张牌的符号，其中:1(红心)，2(方块)，3(梅花)，4(黑桃)
　　Rn:第n张牌的排名，其中:1(王牌)，2-10,11(J)，12(Q)，13(K)
　　第二个数据集是流行的婴儿名字数据集，其中包括2011年至2016年间最流行的新生儿名字：names = pd.read_csv(＂Popular_Baby_Names.csv＂) names.head()
　　该数据集还包括按年份、性别和种族划分的美国最受欢迎的名字。例如，2011年，Chloe 这个名字在所有亚裔和太平洋岛民女性新生儿中排名第二。
　　下面我们开始进入正题为什么需要高效的代码?
　　高效代码是指执行速度更快、计算容量更低的代码。在本文中，我们将使用time()函数来测量计算时间，我们通过在执行前和执行后获取时间，然后计算其差值获得代码的执行时间。下面是一个简单的例子:import time # record time before execution start_time = time.time() # execute operation result = 5 + 2 # record time after execution end_time = time.time() print(＂Result calculated in {} sec＂.format(end_time - start_time))
　　让我们看一个提高代码运行时间并降低计算时间复杂度的示例:我们将计算每个数字的平方，从0到100万。首先，我们将使用列表推导式来执行此操作，然后使用for循环重复相同的过程。
　　首先使用列表推导式:#using List comprehension  list_comp_start_time = time.time() result = [i*i for i in range(0,1000000)] list_comp_end_time = time.time() print(＂Time using the list_comprehension: {} sec＂.format(list_comp_end_time - list_comp_start_time))
　　使用for循环来执行相同的操作:# Using For loop for_loop_start_time= time.time() result=[] for i in range(0,1000000): result.append(i*i) for_loop_end_time= time.time() print(＂Time using the for loop: {} sec＂.format(for_loop_end_time - for_loop_start_time))
　　可以看到它们之间有很大的差异，我们可以用百分比来计算它们之间的差异:list_comp_time = list_comp_end_time - list_comp_start_time for_loop_time = for_loop_end_time - for_loop_start_time print(＂Difference in time: {} %＂.format((for_loop_time - list_comp_time)/ list_comp_time*100))
　　可以看到仅仅使用了不同的方法，但是在执行效率方面有了很大的不同。使用.iloc[]和.loc[]选择行和列
　　这里我们将介绍如何使用.iloc[] & .loc[] pandas函数从数据中高效地定位和选择行。我们将使用iloc[]作为索引号定位器，使用loc[]作为索引名定位器。
　　在下面的例子中，我们选择扑克数据集的前500行。首先使用.loc[]函数，然后使用.iloc[]函数。rows = range(0, 500) # Time selecting rows using .loc[] loc_start_time = time.time() poker_data.loc[rows] loc_end_time = time.time() print(＂Time using .loc[] : {} sec＂.format(loc_end_time - loc_start_time))
　　rows = range(0, 500) # Time selecting rows using .iloc[] iloc_start_time = time.time() poker_data.iloc[rows] iloc_end_time = time.time() print(＂Time using .iloc[]: {} sec＂.format(iloc_end_time - iloc_start_time))
　　loc_comp_time = loc_end_time - loc_start_time iloc_comp_time = iloc_end_time - iloc_start_time print(＂Difference in time: {} %＂.format((loc_comp_time - iloc_comp_time)/ iloc_comp_time*100))
　　虽然这两个方法使用的方式是相同的，但iloc[]的执行速度比loc[]快近70%。这是因为.iloc[]函数利用了索引的顺序，索引已经排序因此速度更快。
　　我们还可以使用它们来选择列，而不仅仅是行。在下一个示例中，我们将使用这两种方法选择前三列。iloc_start_time = time.time() poker_data.iloc[:,:3] iloc_end_time = time.time() print(＂Time using .iloc[]: {} sec＂.format(iloc_end_time - iloc_start_time))
　　names_start_time = time.time() poker_data[[＂S1＂, ＂R1＂, ＂S2＂]] names_end_time = time.time() print(＂Time using selection by name: {} sec＂.format(names_end_time - names_start_time))
　　loc_comp_time = names_end_time - names_start_time iloc_comp_time = iloc_end_time - iloc_start_time print(＂Difference in time: {} %＂.format((loc_comp_time - iloc_comp_time)/ loc_comp_time*100))
　　可以看到，使用.iloc[]进行列索引仍然要快80%。所以最好使用.iloc[]，因为它更快，除非使用loc[]更容易按名称选择某些列。替换DF中的值
　　替换DataFrame中的值是一项非常重要的任务，特别是在数据清理阶段。
　　让我们来看看之前加载的婴儿名字数据集:
　　首先看看性别列:names[＂Gender＂].unique()
　　我们可以看到，女性用大写和小写两个值表示。这在实际数据中非常常见，但是对于我们来说只需要一个统一的表示就可以了，所以我们需要将其中一个值替换为另一个值。这里有两种方法，第一种是简单地定义我们想要替换的值，然后我们想用什么替换它们。如下面的代码所示:start_time = time.time() names[＂Gender＂].loc[names.Gender==＂female＂] = ＂FEMALE＂ end_time = time.time() pandas_time = end_time - start_time print(＂Replace values using .loc[]: {} sec＂.format(pandas_time))
　　第二种方法是使用panda的内置函数.replace()，如下所示:start_time = time.time() names[＂Gender＂].replace(＂female＂, ＂FEMALE＂, inplace=True) end_time = time.time() replace_time = end_time - start_time print(＂Time using replace(): {} sec＂.format(replace_time))
　　可以看到，与使用.loc()方法查找值的行和列索引并替换它相比，内置函数的快了157%。print(＂The differnce: {} %＂.format((pandas_time- replace_time )/replace_time*100))
　　我们还可以使用列表替换多个值。比如说将所有WHITE NON-HISPANIC或WHITE NON-HISP都改为WNH。这里我们使用.loc[]函数和＂ or ＂语句定位我们正在寻找的种族。然后进行替换赋值。start_time = time.time() names[＂Ethnicity＂].loc[(names[＂Ethnicity＂] == ＂WHITE NON HISPANIC＂) | (names[＂Ethnicity＂] == ＂WHITE NON HISP＂)] = ＂WNH＂ end_time = time.time() pandas_time= end_time - start_time print(＂Results from the above operation calculated in %s seconds＂ %(pandas_time))
　　或者使用pandas内置.replace() 函数执行相同的操作，如下所示:start_time = time.time() names[＂Ethnicity＂].replace([＂WHITE NON HISPANIC＂,＂WHITE NON HISP＂], ＂WNH＂, inplace=True) end_time = time.time() replace_time = end_time - start_time print(＂Time using .replace(): {} sec＂.format(replace_time))
　　我们可以再次看到，使用.replace()方法比使用.loc[]方法快得多。为了更好地直观地了解它有多快，让我们运行下面的代码:print(＂The differnce: {} %＂.format((pandas_time- replace_time )/replace_time*100))
　　.replace()方法比使用.loc[]方法快87%。如果数据很大，需要大量的清理，它将有效的减少数据清理的计算时间，并使pandas代码更快。
　　最后，我们还可以使用字典替换DataFrame中的单个值和多个值。如果想在一个命令中使用多个替换函数，这将是非常有用的。
　　我们要用字典把每个男性的性别替换为BOY，把每个女性的性别替换为GIRL。names = pd.read_csv(＂Popular_Baby_Names.csv＂) start_time = time.time() names[＂Gender＂].replace({＂MALE＂:＂BOY＂, ＂FEMALE＂:＂GIRL＂, ＂female＂: ＂girl＂}, inplace=True) end_time = time.time() dict_time = end_time - start_time print(＂Time using .replace() with dictionary: {} sec＂.format(dict_time))
　　names = pd.read_csv(＂Popular_Baby_Names.csv＂) start_time = time.time() names[＂Gender＂].replace(＂MALE＂, ＂BOY＂, inplace=True) names[＂Gender＂].replace(＂FEMALE＂, ＂GIRL＂, inplace=True) names[＂Gender＂].replace(＂female＂, ＂girl＂, inplace=True) end_time = time.time() list_time = end_time - start_time print(＂Time using multiple .replace(): {} sec＂.format(list_time))
　　比较这两种方法，可以看到使用字典的运行速度快了大约22%。
　　使用字典可以替换几个不同列上的相同值。我们想把所有种族分成三大类:黑人、亚洲人和白人。这里的代码也非常简单。使用嵌套字典:外键是我们要替换值的列名。值是另一个字典，其中的键是要替换的字典。start_time = time.time() names.replace({＂Ethnicity＂: {＂ASIAN AND PACI＂: ＂ASIAN＂, ＂ASIAN AND PACIFIC ISLANDER＂: ＂ASIAN＂, ＂BLACK NON HISPANIC＂: ＂BLACK＂, ＂BLACK NON HISP＂: ＂BLACK＂, ＂WHITE NON HISPANIC＂: ＂WHITE＂, ＂WHITE NON HISP＂: ＂WHITE＂}}) print(＂Time using .replace() with dictionary: {} sec＂.format (time.time() - start_time))总结使用.iloc[]函数可以更快地选择行和列并且它比loc[]要快，但是loc[] 提供了一些更方便的功能，如果速度不是优先考虑或者iloc[]实现的比较麻烦的话，再考虑使用loc[]。使用内置的replace()函数比使用传统方法快得多。使用python字典替换多个值比使用列表更快。
　　作者：Youssef Hosni