Python中Pandas庫(kù)有什么用

要很好地理解pandas，關(guān)鍵之一是要理解pandas是一系列其他python庫(kù)的包裝器。主要的有Numpy、SQL alchemy、Matplot lib和openpyxl。

data frame的核心內(nèi)部模型是一系列NumPy數(shù)組和pandas函數(shù)。

pandas利用其他庫(kù)來從data frame中獲取數(shù)據(jù)。例如，SQL alchemy通過read_sql和to_sql函數(shù)使用;openpyxl和xlsx writer用于read_excel和to_excel函數(shù)。而Matplotlib和Seaborn則用于提供一個(gè)簡(jiǎn)單的接口，使用諸如df.plot()這樣的命令來繪制data frame中可用的信息。

您經(jīng)常聽到的抱怨之一是Python很慢，或者難以處理大量數(shù)據(jù)。通常情況下，這是由于編寫的代碼的效率很低造成的。原生Python代碼確實(shí)比編譯后的代碼要慢。不過，像Pandas這樣的庫(kù)提供了一個(gè)用于編譯代碼的python接口，并且知道如何正確使用這個(gè)接口。

向量化操作

與底層庫(kù)Numpy一樣，pandas執(zhí)行向量化操作的效率比執(zhí)行循環(huán)更高。這些效率是由于向量化操作是通過C編譯代碼執(zhí)行的，而不是通過本機(jī)python代碼執(zhí)行的。另一個(gè)因素是向量化操作的能力，它可以對(duì)整個(gè)數(shù)據(jù)集進(jìn)行操作，而不只是對(duì)一個(gè)子數(shù)據(jù)集進(jìn)行操作。

應(yīng)用接口允許通過使用CPython接口進(jìn)行循環(huán)來獲得一些效率:

df.apply(lambda x: x['col_a'] * x['col_b'], axis=1)

但是，大部分性能收益可以通過使用向量化操作本身獲得，可以直接在pandas中使用，也可以直接調(diào)用它的內(nèi)部Numpy數(shù)組。

當(dāng)通過read_csv、read_excel或其他數(shù)據(jù)幀讀取函數(shù)將數(shù)據(jù)幀加載到內(nèi)存中時(shí)，pandas會(huì)進(jìn)行類型推斷，這可能是低效的。這些api允許您明確地利用dtypes指定每個(gè)列的類型。指定dtypes允許在內(nèi)存中更有效地存儲(chǔ)數(shù)據(jù)。

df.astype({'testColumn': str, 'testCountCol': float})

Dtypes是來自Numpy的本機(jī)對(duì)象，它允許您定義用于存儲(chǔ)特定信息的確切類型和位數(shù)。

例如，Numpy的類型np.dtype(' int32 ')表示一個(gè)32位長(zhǎng)的整數(shù)。pandas默認(rèn)為64位整數(shù)，我們可以節(jié)省一半的空間使用32位:

pandas允許按塊(chunk)加載數(shù)據(jù)幀中的數(shù)據(jù)。因此，可以將數(shù)據(jù)幀作為迭代器處理，并且能夠處理大于可用內(nèi)存的數(shù)據(jù)幀。

在讀取數(shù)據(jù)源時(shí)定義塊大小和get_chunk方法的組合允許panda以迭代器的方式處理數(shù)據(jù)，如上面的示例所示，其中數(shù)據(jù)幀一次讀取兩行。然后我們可以遍歷這些塊:

i = 0for a in df_iter:  # do some processing  chunk = df_iter.get_chunk()  i += 1  new_chunk = chunk.apply(lambda x: do_something(x), axis=1)  new_chunk.to_csv("chunk_output_%i.csv" % i )

它的輸出可以被提供到一個(gè)CSV文件，pickle，導(dǎo)出到數(shù)據(jù)庫(kù)，等等…