8個Python高效數據分析的技巧

FullStackDeveloper 發布于2019-07-30 17:21 / 2644人閱讀

摘要：以指定數目均勻分割區間。所以給定區間和，以及等分分割點數目，將返回一個數組。將一個函數應用于指定軸上的每一個元素。如果您熟悉，那么你也許聽說過數據透視表。內置的函數以的形式創建電子表格樣式的數據透視表，它可以幫助我們快速查看某幾列的數據。

一行代碼定義List

下面是使用For循環創建列表和用一行代碼創建列表的對比。

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]

Lambda表達式

厭倦了定義用不了幾次的函數？ Lambda表達式是你的救星！ Lambda表達式用于在Python中創建小型，一次性和匿名函數對象。它能替你創建一個函數。

lambda表達式的基本語法是：

lambda arguments: expression

請注意，只要有一個lambda表達式，就可以完成常規函數可以執行的任何操作。你可以從下面的例子中，感受lambda表達式的強大功能：

double = lambda x: x * 2
print(double(5))
10

Map和Filter

一旦掌握了lambda表達式，學習將它們與Map和Filter函數配合使用，可以實現更為強大的功能。

具體來說，map通過對列表中每個元素執行某種操作并將其轉換為新列表。在本例中，它遍歷每個元素并乘以2，構成新列表。請注意，list()函數只是將輸出轉換為列表類型。

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

Filter函數接受一個列表和一條規則，就像map一樣，但它通過比較每個元素和布爾過濾規則來返回原始列表的一個子集。

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

Arange和Linspace

Arange返回給定步長的等差列表。它的三個參數start、stop、step分別表示起始值，結束值和步長，請注意，stop點是一個“截止”值，因此它不會包含在數組輸出中。

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

Linspace和Arrange非常相似，但略有不同。 Linspace以指定數目均勻分割區間。所以給定區間start和end，以及等分分割點數目num，linspace將返回一個NumPy數組。這對繪圖時數據可視化和聲明坐標軸特別有用。

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

Axis代表什么？

在Pandas中，刪除一列或在NumPy矩陣中求和值時，可能會遇到Axis。我們用刪除一列（行）的例子：

df.drop("Column A", axis=1)
df.drop("Row A", axis=0)

如果你想處理列，將Axis設置為1，如果你想要處理行，將其設置為0。但為什么呢？回想一下Pandas中的shape

df.shape
(# of Rows, # of Columns)

從Pandas DataFrame中調用shape屬性返回一個元組，第一個值代表行數，第二個值代表列數。如果你想在Python中對其進行索引，則行數下標為0，列數下標為1，這很像我們如何聲明軸值。

Concat，Merge和Join

如果您熟悉SQL，那么這些概念對您來說可能會更容易。無論如何，這些函數本質上就是以特定方式組合DataFrame的方式。在哪個時間跟蹤哪一個最適合使用可能很困難，所以讓我們回顧一下。

Concat允許用戶在表格下面或旁邊追加一個或多個DataFrame（取決于您如何定義軸）。

Merge將多個DataFrame合并指定主鍵（Key）相同的行。

Join，和Merge一樣，合并了兩個DataFrame。但它不按某個指定的主鍵合并，而是根據相同的列名或行名合并。

Pandas Apply

Apply是為Pandas Series而設計的。如果你不太熟悉Series，可以將它想成類似Numpy的數組。
Apply將一個函數應用于指定軸上的每一個元素。使用Apply，可以將DataFrame列（是一個Series）的值進行格式設置和操作，不用循環，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

Pivot Tables

最后是Pivot Tables。如果您熟悉Microsoft Excel，那么你也許聽說過數據透視表。 Pandas內置的pivot_table函數以DataFrame的形式創建電子表格樣式的數據透視表,，它可以幫助我們快速查看某幾列的數據。下面是幾個例子：非常智能地將數據按照“Manager”分了組

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

或者也可以篩選屬性值

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

云服務器 GPU云服務器致命的8個問題 js輸出8個不同的數支持8個gpu的服務器 asp產生8個隨機數

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/42177.html

6個Python性能優化技巧

摘要：的批評者聲稱性能低效執行緩慢，但實際上并非如此嘗試以下個小技巧，可以加快應用程序。使用或者機器語言擴展包來執行關鍵任務能極大改善性能。但是如果你把求值的結果放入一個變量中，就能提高程序的性能。 Python是一門非常酷的語言，因為很少的Python代碼可以在短時間內做很多事情，并且，Python很容易就能支持多任務和多重處理。 Python的批評者聲稱Python性能低效、執行緩慢，...

RobinQu 2019-07-24 17:55 評論0 收藏0
13個VSCode使用技巧，開啟高效的開發模式

摘要：本文分享自華為云社區使用技巧使用技巧，作者小聰不是小蔥。是一款開源的編輯器，擁有強大的功能，。由于擁有各種各樣的插件，這就使得可以做到的事情更多了。在使用的過程中，也是有很多技巧的，掌握一些技巧對于后期寫代碼也會輕松很多。摘要：VsCode是一款開源的編輯器，擁有強大的功能，。由于擁有各...

PumpkinDylan 2021-09-30 09:46 評論0 收藏0
提高 Python 運行效率的六個竅門

摘要：使用或機器語言的外部功能包處理時間敏感任務，可以有效提高應用的運行效率。關鍵在于，優化循環方案是提高應用程序運行速度的上佳選擇。此外，關于交叉編譯是否為提高運行效率的最佳方法還存在討論的空間。在使用交叉編譯器時，記得確保它支持你所用的版本。 Python 是一門優秀的語言，它能讓你在短時間內通過極少量代碼就能完成許多操作。不僅如此，它還輕松支持多任務處理，比如多進程。不喜歡 Pyt...

huhud 2019-07-24 17:59 評論0 收藏0
由 sort 中 key 的用法淺談 python

摘要：但是實際寫程序中，我們經常會寫出許多繁雜的丑陋的代碼。特別推薦，許多代碼讓我獲益匪淺，比如這里對的使用。用可以寫出很簡單直觀的代碼，如下當然，上面不考慮效率，這里有一個利用分治法思想的高效的方法。更多文章更多閱讀中參數的用法高級編程技巧用 Python 時間也算不短了，但總感覺自己在用寫 C++ 代碼的思維寫 Python，沒有真正用到其作為腳本語言的優勢。之前刷 LeetCode ...

keke 2019-07-25 10:19 評論0 收藏0
【譯】Python的優雅技巧

摘要：你可以進行如下操作需要注意的是這個竅門只適用于。在中就不需要進行操作了，因為它已經默認進行了。這里有幾個例子可以供你參考譯文出處本文根據的所譯，整個譯文帶有我自己的理解與思想，如果譯得不好或有不對之處還請同行朋友指點。枚舉不要這么做： i = 0 for item in iterable: print i, item i += 1 而是這樣： for...

legendaryedu 2019-07-31 11:38 評論0 收藏0