数据科学 | 从 Pandas 小白到 Pandas 能手

讨论 VectorJin
Lv2 初级炼丹师
发布在 Pandas   1841   0
讨论 VectorJin   1841   0

    原文作者:Rudolf Höhn(Unit8 数据科学家)

    原文发表在博客平台 Medium 上,文章介绍了 Pandas 的发展现状、内存优化、索引和方法链等内容,作者在文章中给出了许多提升程序运行性能的建议。Unit8 是一家位于瑞士莫尔日,成立于 2017 年的初创公司,致力于利用大数据和人工智能技术解决各行各业问题。2019 年 5 月 21 日,公司加入数字瑞士(digitalswitzerland)组织,该组织包括 150 多家公司、学术和政府机构,其使命是将瑞士打造为全球领先的数字创新中心。

    在本文中,作者从 Pandas 的简介开始,一步一步讲解了 Pandas 的发展现状、内存优化等问题。这是一篇最佳实践教程,既适合用过 Pandas 的读者,也适合没用过但想要上手的小白。

    通过本文,你将有望发现一到多种用 pandas 编码的新方法。

    本文包括以下内容:

    • Pandas 发展现状;
    • 内存优化;
    • 索引;
    • 方法链;
    • 随机提示。

    在阅读本文时,我建议你阅读每个你不了解的函数的文档字符串(docstrings)。简单的 Google 搜索和几秒钟 Pandas 文档的阅读,都会使你的阅读体验更加愉快。

    1 Pandas 的定义和现状

    什么是 Pandas?

    Pandas 是一个「开源的、有 BSD 开源协议的库,它为 Python 编程语言提供了高性能、易于使用的数据架构以及数据分析工具」。总之,它提供了被称为 DataFrame 和 Series(对那些使用 Panel 的人来说,它们已经被弃用了)的数据抽象,通过管理索引来快速访问数据、执行分析和转换运算,甚至可以绘图(用 matplotlib 后端)。

    Pandas 的当前最新版本是 v0.25.0 (https://github.com/pandas-dev/pandas/releases/tag/v0.25.0)

    Pandas 正在逐步升级到 1.0 版,而为了达到这一目的,它改变了很多人们习以为常的细节。Pandas 的核心开发者之一 Marc Garcia 发表了一段非常有趣的演讲——「走向 Pandas 1.0」。

    演讲链接:https://www.youtube.com/watch?v=hK6o_TDXXN8

    用一句话来总结,Pandas v1.0 主要改善了稳定性(如时间序列)并删除了未使用的代码库(如 SparseDataFrame)。

    2 数据

    让我们开始吧!选择「1985 到 2016 年间每个国家的自杀率」作为玩具数据集。这个数据集足够简单,但也足以让你上手 Pandas。

    数据集链接:https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016

    在深入研究代码之前,如果你想重现结果,要先执行下面的代码准备数据,确保列名和类型是正确的。

    import pandas as pd
    import numpy as np
    import os
    # to download https://www.kaggle.com/russellyates88/suicide-rates-overview-1985-to-2016
    
    data_path = 'path/to/folder/'
    df = (pd.read_csv(filepath_or_buffer=os.path.join(data_path, 'master.csv')) 
    .rename(columns={'suicides/100k pop' : 'suicides_per_100k', ' gdp_for_year ($) ' : 
          'gdp_year',  'gdp_per_capita ($)' : 'gdp_capita', 'country-year' : 'country_year'}) 
    .assign(gdp_year=lambda _df: _df['gdp_year'].str
    .replace(',','').astype(np.int64)) )

    提示:如果你读取了一个大文件,在 read_csv(https://pandas.pydata.org/pandasdocs/stable/reference/api/pandas.read_csv.html)中参数设定为 chunksize=N,这会返回一个可以输出 DataFrame 对象的迭代器。

    这里有一些关于这个数据集的描述:

    >>> df.columns
    Index(['country', 'year', 'sex', 'age', 'suicides_no', 'population',
           'suicides_per_100k', 'country_year', 'HDI for year', 'gdp_year',
           'gdp_capita', 'generation'],
          dtype='object')

    这里有 101 个国家、年份从 1985 到 2016、两种性别、六个年代以及六个年龄组。有一些获得这些信息的方法:

    可以用 unique() 和 nunique() 获取列内唯一的值(或唯一值的数量);

    >>> df['generation'].unique()
    array(['Generation X', 'Silent', 'G.I. Generation', 'Boomers', 'Millenials', 'Generation Z'], dtype=object)
    >>> df['country'].nunique()
    101

    可以用 describe() 输出每一列不同的统计数据(例如最小值、最大值、平均值、总数等),如果指定 include='all',会针对每一列目标输出唯一元素的数量和出现最多元素的数量;

    可以用 head() 和 tail() 来可视化数据框的一小部分。

    通过这些方法,你可以迅速了解正在分析的表格文件。

    3 内存优化

    在处理数据之前,了解数据并为数据框的每一列选择合适的类型是很重要的一步。

    在内部,Pandas 将数据框存储为不同类型的 numpy 数组(比如一个 float64 矩阵,一个 int32 矩阵)。

    有两种可以大幅降低内存消耗的方法。

    import pandas as pd
    
    
    def mem_usage(df: pd.DataFrame) -> str:
        """This method styles the memory usage of a DataFrame to be readable as MB.
        Parameters
        ----------
        df: pd.DataFrame
            Data frame to measure.
        Returns
        -------
        str
            Complete memory usage as a string formatted for MB.
        """
        return f'{df.memory_usage(deep=True).sum() / 1024 ** 2 : 3.2f} MB'
    
    
    def convert_df(df: pd.DataFrame, deep_copy: bool = True) -> pd.DataFrame:
        """Automatically converts columns that are worth stored as
        ``categorical`` dtype.
        Parameters
        ----------
        df: pd.DataFrame
            Data frame to convert.
        deep_copy: bool
            Whether or not to perform a deep copy of the original data frame.
        Returns
        -------
        pd.DataFrame
            Optimized copy of the input data frame.
        """
        return df.copy(deep=deep_copy).astype({
            col: 'category' for col in df.columns
            if df[col].nunique() / df[col].shape[0] < 0.5})

    Pandas 提出了一种叫做 memory_usage() 的方法,这种方法可以分析数据框的内存消耗。在代码中,指定 deep=True 来确保考虑到了实际的系统使用情况。

    memory_usage():https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.memory_usage.html

    了解列的类型(https://pandas.pydata.org/pandasdocs/stable/getting_started/basics.html#basics-dtypes)很重要。它可以通过两种简单的方法节省高达 90% 的内存使用:

    • 了解数据框使用的类型;
    • 了解数据框可以使用哪种类型来减少内存的使用(例如,price 这一列值在 0 到 59 之间,只带有一位小数,使用 float64 类型可能会产生不必要的内存开销)

    除了降低数值类型的大小(用 int32 而不是 int64)外,Pandas 还提出了分类类型:https://pandas.pydata.org/pandas-docs/stable/user_guide/categorical.html

    如果你是用 R 语言的开发人员,你可能觉得它和 factor 类型是一样的。

    这种分类类型允许用索引替换重复值,还可以把实际值存在其他位置。教科书中的例子是国家。和多次存储相同的字符串「瑞士」或「波兰」比起来,为什么不简单地用 0 和 1 替换它们,并存储在字典中呢?

    categorical_dict = {0: 'Switzerland', 1: 'Poland'}

    Pandas 做了几乎相同的工作,同时添加了所有的方法,可以实际使用这种类型,并且仍然能够显示国家的名称。

    回到 convert_df() 方法,如果这一列中的唯一值小于 50%,它会自动将列类型转换成 category。这个数是任意的,但是因为数据框中类型的转换意味着在 numpy 数组间移动数据,因此我们得到的必须比失去的多。

    接下来看看数据中会发生什么。

    >>> mem_usage(df)
    10.28 MB
    >>> mem_usage(df.set_index(['country', 'year', 'sex', 'age']))
    5.00 MB
    >>> mem_usage(convert_df(df))
    1.40 MB
    >>> mem_usage(convert_df(df.set_index(['country', 'year', 'sex', 'age'])))
    1.40 MB

    通过使用「智能」转换器,数据框使用的内存几乎减少了 10 倍(准确地说是 7.34 倍)。

    4 索引

    Pandas 是强大的,但也需要付出一些代价。当你加载 DataFrame 时,它会创建索引并将数据存储在 numpy 数组中。这是什么意思?一旦加载了数据框,只要正确管理索引,就可以快速地访问数据。

    访问数据的方法主要有两种,分别是通过索引和查询访问。根据具体情况,你只能选择其中一种。但在大多数情况中,索引(和多索引)都是最好的选择。我们来看下面的例子:

    >>> %%time
    >>> df.query('country == "Albania" and year == 1987 and sex == "male" and age == "25-34 years"')
    CPU times: user 7.27 ms, sys: 751 µs, total: 8.02 ms
    # ==================
    >>> %%time
    >>> mi_df.loc['Albania', 1987, 'male', '25-34 years']
    CPU times: user 459 µs, sys: 1 µs, total: 460 µs

    什么?加速 20 倍?

    你要问自己了,创建这个多索引要多长时间?

    %%time
    mi_df = df.set_index(['country', 'year', 'sex', 'age'])
    CPU times: user 10.8 ms, sys: 2.2 ms, total: 13 ms

    通过查询访问数据的时间是 1.5 倍。如果你只想检索一次数据(这种情况很少发生),查询是正确的方法。否则,你一定要坚持用索引,CPU 会为此感激你的。

    .set_index(drop=False) 允许不删除用作新索引的列。

    .loc[]/.iloc[] 方法可以很好地读取数据框,但无法修改数据框。如果需要手动构建(比如使用循环),那就要考虑其他的数据结构了(比如字典、列表等),在准备好所有数据后,创建 DataFrame。否则,对于 DataFrame 中的每一个新行,Pandas 都会更新索引,这可不是简单的哈希映射。

    >>> (pd.DataFrame({'a':range(2), 'b': range(2)}, index=['a', 'a']) .loc['a']) 
      a b
    a 0 0
    a 1 1  

    因此,未排序的索引可以降低性能。为了检查索引是否已经排序并对它排序,主要有两种方法:

    %%time
    >>> mi_df.sort_index()
    CPU times: user 34.8 ms, sys: 1.63 ms, total: 36.5 ms
    >>> mi_df.index.is_monotonic
    True

    更多详情请参阅:

    • Pandas 高级索引用户指南:https://pandas.pydata.org/pandas-docs/stable/user_guide/advanced.html;
    • Pandas 库中的索引代码:https://github.com/pandas-dev/pandas/blob/master/pandas/core/indexing.py。

    5 方法链

    使用 DataFrame 的方法链是链接多个返回 DataFrame 方法的行为,因此它们都是来自 DataFrame 类的方法。在现在的 Pandas 版本中,使用方法链是为了不存储中间变量并避免出现如下情况:

    import numpy as np
    import pandas as pd
    df = pd.DataFrame({'a_column': [1, -999, -999], 'powerless_column': [2, 3, 4], 'int_column': [1, 1, -1]}) 
    df['a_column'] = df['a_column'].replace(-999, np.nan) 
    df['power_column'] = df['powerless_column'] ** 2 
    df['real_column'] = df['int_column'].astype(np.float64) 
    df = df.apply(lambda _df: _df.replace(4, np.nan)) 
    df = df.dropna(how='all')

    用下面的链替换:

    df = (pd.DataFrame({'a_column': [1, -999, -999], 
    'powerless_column': [2, 3, 4], 
    'int_column': [1, 1, -1]}) 
    .assign(a_column=lambda _df: _df['a_column'].replace(-999, np.nan)) 
    .assign(power_column=lambda _df: _df['powerless_column'] ** 2) 
    .assign(real_column=lambda _df: _df['int_column'].astype(np.float64)) 
    .apply(lambda _df: _df.replace(4, np.nan)) 
    .dropna(how='all') )

    说实话,第二段代码更漂亮也更简洁。

    方法链的工具箱是由不同的方法(比如 apply、assign、loc、query、pipe、groupby 以及 agg)组成的,这些方法的输出都是 DataFrame 对象或 Series 对象(或 DataFrameGroupBy)。

    了解它们最好的方法就是实际使用。举个简单的例子:

    (df 
    .groupby('age') 
    .agg({'generation':'unique'}) 
    .rename(columns={'generation':'unique_generation'})
    # Recommended from v0.25
    # .agg(unique_generation=('generation', 'unique')))

    获得每个年龄范围中所有唯一年代标签的简单链

    在得到的数据框中,「年龄」列是索引。

    除了了解到「X 代」覆盖了三个年龄组外,分解这条链。第一步是对年龄组分组。这一方法返回了一个 DataFrameGroupBy 对象,在这个对象中,通过选择组的唯一年代标签聚合了每一组。

    在这种情况下,聚合方法是「unique」方法,但它也可以接受任何(匿名)函数。

    在 0.25 版本中,Pandas 引入了使用 agg 的新方法:https://dev.pandas.io/whatsnew/v0.25.0.html#groupby-aggregation-with-relabeling

    (df 
    .groupby(['country', 'year']) 
    .agg({'suicides_per_100k': 'sum'}) 
    .rename(columns={'suicides_per_100k':'suicides_sum'})
    # Recommended from v0.25
    # .agg(suicides_sum=('suicides_per_100k', 'sum')) .sort_values('suicides_sum', ascending=False) .head(10))

    用排序值(sort_values)和 head 得到自杀率排前十的国家和年份

    在这些例子中,输出都是一样的:有两个指标(国家和年份)的 MultiIndex 的 DataFrame,还有包含排序后的 10 个最大值的新列 suicides_sum。

    「国家」和「年份」列是索引。

    nlargest(10) 比 sort_values(ascending=False).head(10) 更有效。

    另一个有趣的方法是 unstack:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.unstack.html,这种方法允许转动索引水平。

    (mi_df 
    .loc[('Switzerland', 2000)] 
    .unstack('sex') [['suicides_no', 'population']])

    「age」是索引,列「suicides_no」和「population」都有第二个水平列「sex」。

    下一个方法 pipe 是最通用的方法之一。这种方法允许管道运算(就像在 shell 脚本中)执行比链更多的运算。

    管道的一个简单但强大的用法是记录不同的信息。

    def log_head(df, head_count=10): 
        print(df.head(head_count)) 
        return df
    
    def log_columns(df): 
        print(df.columns) 
        return df
    
    def log_shape(df): 
        print(f'shape = {df.shape}') 
        return df

    和 pipe 一起使用的不同记录函数。

    举个例子,我们想验证和 year 列相比,country_year 是否正确:

    (df 
    .assign(valid_cy=lambda _serie: _serie.apply( 
    lambda _row: re.split(r'(?=\d{4})', 
    _row['country_year'])[1] == str(_row['year']), axis=1)) 
    .query('valid_cy == False') 
    .pipe(log_shape))

    用来验证「country_year」列中年份的管道。

    管道的输出是 DataFrame,但它也可以在标准输出(console/REPL)中打印。

    shape = (0, 13)

    你也可以在一条链中用不同的 pipe。

    (df .pipe(log_shape) 
    .query('sex == "female"') 
    .groupby(['year', 'country']) 
    .agg({'suicides_per_100k':'sum'}) 
    .pipe(log_shape) 
    .rename(columns={'suicides_per_100k':'sum_suicides_per_100k_female'})
    # Recommended from v0.25
    # .agg(sum_suicides_per_100k_female=('suicides_per_100k', 'sum')) 
    .nlargest(n=10, columns=['sum_suicides_per_100k_female']))

    女性自杀数量最高的国家和年份。

    生成的 DataFrame 如下所示:

    女性自杀数量最高的国家和年份。

    生成的 DataFrame 如下所示:

    索引是「年份」和「国家」。

    标准输出的打印如下所示:

    shape = (27820, 12)
    shape = (2321, 1)     

    除了记录到控制台外,pipe 还可以直接在数据框的列上应用函数。

    from sklearn.preprocessing import MinMaxScaler
    
    def norm_df(df, columns): 
        return df.assign(**{col: MinMaxScaler().fit_transform(df[[col]].values.astype(float))  
        for col in columns})  
    
    for sex in ['male', 'female']: 
        print(sex) 
        print( df .query(f'sex == "{sex}"') 
        .groupby(['country']) 
        .agg({'suicides_per_100k': 'sum', 'gdp_year': 'mean'}) 
        .rename(columns={'suicides_per_100k':'suicides_per_100k_sum',  'gdp_year': 'gdp_year_mean'})
        # Recommended in v0.25
        # .agg(suicides_per_100k=('suicides_per_100k_sum', 'sum'), 
        # gdp_year=('gdp_year_mean', 'mean')) 
        .pipe(norm_df, columns=['suicides_per_100k_sum', 'gdp_year_mean']) 
        .corr(method='spearman') ) 
        print('\n')

    自杀数量是否和 GDP 的下降相关?是否和性别相关?

    上面的代码在控制台中的打印如下所示:

    male
                        suicides_per_100k_sum gdp_year_mean
    suicides_per_100k_sum       1.000000         0.421218
    gdp_year_mean               0.421218         1.000000
    


    female
                         suicides_per_100k_sum gdp_year_mean
    suicides_per_100k_sum        1.000000         0.452343
    gdp_year_mean                0.452343         1.000000
    

    深入研究代码。norm_df() 将一个 DataFrame 和用 MinMaxScaling 扩展列的列表当做输入。使用字典理解,创建一个字典 {column_name: method, …},然后将其解压为 assign() 函数的参数 (colunmn_name=method, …)。

    在这种特殊情况下,min-max 缩放不会改变对应的输出:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.corr.html,它仅用于参数。

    在(遥远的?)未来,缓式评估(lazy evaluation)可能出现在方法链中,所以在链上做一些投资可能是一个好想法。

    6 最后(随机)的技巧

    下面的提示很有用,但不适用于前面的任何部分:

    itertuples() 可以更高效地遍历数据框的行;

    >>> %%time
    >>> for row in df.iterrows(): continue
    CPU times: user 1.97 s, sys: 17.3 ms, total: 1.99 s
    >>> for tup in df.itertuples(): continue
    CPU times: user 55.9 ms, sys: 2.85 ms, total: 58.8 ms

    注意:tup 是一个 namedtuple

    join() 用了 merge();在 Jupyter 笔记本中,在代码块的开头写上 %%time,可以有效地测量时间;UInt8 类:https://pandas.pydata.org/pandas-docs/stable/user_guide/gotchas.html#support-for-integer-na支持带有整数的 NaN 值;记住,任何密集的 I/O(例如展开大型 CSV 存储)用低级方法都会执行得更好(尽可能多地用 Python 的核心函数)。

    还有一些本文没有涉及到的有用的方法和数据结构,这些方法和数据结构都很值得花时间去理解:

    数据透视表:https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.pivot.html?source=post_page

    时间序列/日期功能:https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html?source=post_page

    绘图:https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html?source=post_page

    7 总结

    希望你可以因为这篇简短的文章,更好地理解 Pandas 背后的工作原理,以及 Pandas 库的发展现状。本文还展示了不同的用于优化数据框内存以及快速分析数据的工具。希望对现在的你来说,索引和查找的概念能更加清晰。最后,你还可以试着用方法链写更长的链。

    这里还有一些笔记:https://github.com/unit8co/medium-pandas-wan?source=post_page

    除了文中的所有代码外,还包括简单数据索引数据框(df)和多索引数据框(mi_df)性能的定时指标。

    熟能生巧,所以继续修炼技能,并帮助我们建立一个更好的世界吧。

    PS:有时候纯用 Numpy 会更快。

    版权声明:作者保留权利,不代表意本站立场。如需转载请联系本站以及作者。

    参与讨论

    回复《 数据科学 | 从 Pandas 小白到 Pandas 能手

    EditorJs 编辑器

    沙发,很寂寞~
    反馈
    to-top--btn