如何使用Python来处理数据集

本篇内容介绍了“如何使用Python来处理数据集”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

Pandas对数据科学界来说是一份天赐的礼物。问任何一个数据科学家，他们喜欢如何使用Python处理他们的数据集，他们无疑会谈到Pandas。

Pandas是一个伟大的编程库的缩影：简单、直观、功能广泛。

然而，对数据科学家的一项常规任务，使用Pandas进行数千甚至数百万次的计算，仍然是一个挑战。你不能只是将数据放入，编写Python  for循环，然后期望在合理的时间内处理数据。

Pandas是为一次性处理整个行或列的矢量化操作而设计的—循环遍历每个单元格、行或列并不是这个库的设计用途。因此，在使用Pandas时，你应该考虑到矩阵操作是高度并行化的。

本指南将教你如何使用Pandas的方式，它被设计用来使用矩阵运算。在此过程中，我将向你展示一些实用的节省时间的技巧和技巧，它们将使你的Pandas代码运行得比那些可怕的Python  for循环快得多!

设置

在本教程中，我们将使用经典的鸢尾花数据集。我们通过使用seaborn加载数据集并打印出前5行来开始。

现在让我们建立一个基线，用Python  for循环来测量我们的速度。我们将通过循环遍历每一行来设置要在数据集上执行的计算，然后测量整个操作的速度。这将为我们提供一个基准，看看我们的新优化能在多大程度上帮助我们加速。

在上面的代码中，我们创建了一个基本函数，它使用If-Else语句根据花瓣的长度选择花的类。我们编写了一个for循环，通过循环dataframe对每一行使用这个函数，然后测量循环的总运行时间。

在我的i7-8700k计算机上，循环运行5次平均需要0.01345秒。

使用.iterrows()来实现循环

我们可以立即做的最简单但非常有价值的加速是使用Pandas的内置 .iterrows()函数。

在上一节中编写for循环时，我们使用了  range()函数。然而，当我们在Python中对大范围的值进行循环时，生成器往往要快得多。在本文中(https://towardsdatascience.com/5-advancedfeaturesof-python-and-how-use-them-73bffa373c84)，你可以阅读更多关于生成器如何工作的信息，并加快运行速度。

Pandas中的 .iterrows()函数在内部实现了一个生成器函数，它将在每次迭代中“生成”一行数据。更准确地说，  .iterrows()为DataFrame中的每一行生成(index, Series) 的对(元组)。这实际上与在原始Python中使用类似于  enumerate()的东西是一样的，但是运行速度要快得多。

下面我们修改了代码，使用  .iterrows()替常规的for循环。在我上一节测试所用的同一台机器上，平均运行时间为0.005892秒—提高了2.28倍!

使用.apply()完全丢掉循环

.iterrows()函数极大地提高了速度，但还远远不够。请始终记住，当使用为向量操作设计的库时，可能有一种方法可以在完全没有for循环的情况下很高效地完成任务。

提供这种功能的Pandas函数是 .apply()函数。我们的函数  .apply()接受另一个函数作为它的输入，并沿着DataFrame的轴(行、列等)应用它。在传递函数的这种情况下，lambda通常可以方便地将所有内容打包在一起。

在下面的代码中，我们已经完全用  .apply()和lambda函数替换了for循环来封装我们想要的计算。在我的机器上，这段代码的平均运行时间是0.0020897秒—比原来的for循环快6.44倍。

.apply()之所以要快得多，是因为它在内部尝试遍历Cython迭代器。如果你的函数恰好为Cython进行了很好的优化，  .apply()将使你的速度更快。额外的好处是，使用内置函数可以生成更干净、更可读的代码。

最后是使用cut

前面我提到过，如果你正在使用一个为向量化操作设计的库，那么你应该始终寻找一种不使用for循环进行任何计算的方法。

类似地，许多以这种方式设计的库，包括Pandas，都具有方便的内置函数，可以执行你正在寻找的精确计算—但是速度更快。

Pandas的 .cut()函数接受一组 bins为输入，其中定义每个If-Else的范围，以及一组  labels作为输入，其中定义为每个范围返回哪个值。然后，它执行与我们用 compute_class()函数手动编写的操作完全相同的操作。

查看下面的代码，看看 .cut()是如何工作的。我们又一次得到了更干净、更可读的代码。最后，  .cut()函数平均运行0.001423秒—比原来的for循环快了9.39倍!

“如何使用Python来处理数据集”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！