作者：Kunal Dhariwal
機器之心編譯
我們都知道，Numpy 是 Python 環境下的擴充程式庫，支援大量的次元數組和矩陣運算；Pandas 也是 Python 環境下的資料操作和分析軟體包，以及強大的資料分析庫。二者在日常的資料分析中都發揮着重要作用，如果沒有 Numpy 和 Pandas 的支援，資料分析将變得異常困難。但有時我們需要加快資料分析的速度，有什麼辦法可以幫助到我們嗎？
在本文中，資料和分析工程師 Kunal Dhariwal 為我們介紹了 12 種 Numpy 和 Pandas 函數，這些高效的函數會令資料分析更為容易、便捷。最後，讀者也可以在 GitHub 項目中找到本文所用代碼的 Jupyter Notebook。
項目位址：https://github.com/kunaldhariwal/12-Amazing-Pandas-NumPy-Functions
Numpy 的 6 種高效函數
首先從 Numpy 開始。Numpy 是用于科學計算的 Python 語言擴充包，通常包含強大的 N 維數組對象、複雜函數、用于整合 C/C++和 Fortran 代碼的工具以及有用的線性代數、傅裡葉變換和随機數生成能力。
除了上面這些明顯的用途，Numpy 還可以用作通用資料的高效多元容器（container），定義任何資料類型。這使得 Numpy 能夠實作自身與各種資料庫的無縫、快速內建。
接下來一一解析 6 種 Numpy 函數。
argpartition()
借助于 argpartition()，Numpy 可以找出 N 個最大數值的索引，也會将找到的這些索引輸出。然後我們根據需要對數值進行排序。
x = np.array([12, 10, 12, 0, 6, 8, 9, 1, 16, 4, 6, 0])index_val = np.argpartition(x, -4)[-4:]
index_val
array([1, 8, 2, 0], dtype=int64)np.sort(x[index_val])
array([10, 12, 12, 16]) allclose()
allclose() 用于比對兩個數組，并得到布爾值表示的輸出。如果在一個公差範圍内（within a tolerance）兩個數組不等同，則 allclose() 傳回 False。該函數對于檢查兩個數組是否相似非常有用。
array1 = np.array([0.12,0.17,0.24,0.29])
array2 = np.array([0.13,0.19,0.26,0.31])# with a tolerance of 0.1, it should return False:
np.allclose(array1,array2,0.1)
False# with a tolerance of 0.2, it should return True:
np.allclose(array1,array2,0.2)
True clip()
Clip() 使得一個數組中的數值保持在一個區間内。有時，我們需要保證數值在上下限範圍内。為此，我們可以借助 Numpy 的 clip() 函數實作該目的。給定一個區間，則區間外的數值被剪切至區間上下限（interval edge）。
x = np.array([3, 17, 14, 23, 2, 2, 6, 8, 1, 2, 16, 0])np.clip(x,2,5)
array([3, 5, 5, 5, 2, 2, 5, 5, 2, 2, 5, 2]) extract()
顧名思義，extract() 是在特定條件下從一個數組中提取特定元素。借助于 extract()，我們還可以使用 and 和 or 等條件。
# Random integers
array = np.random.randint(20, size=12)
array
array([ 0, 1, 8, 19, 16, 18, 10, 11, 2, 13, 14, 3])# Divide by 2 and check if remainder is 1
cond = np.mod(array, 2)==1
cond
array([False, True, False, True, False, False, False, True, False, True, False, True])# Use extract to get the values
np.extract(cond, array)
array([ 1, 19, 11, 13, 3])# Apply condition on extract directly
np.extract(((array < 3) | (array > 15)), array)
array([ 0, 1, 19, 16, 18, 2]) where()
Where() 用于從一個數組中傳回滿足特定條件的元素。比如，它會傳回滿足特定條件的數值的索引位置。Where() 與 SQL 中使用的 where condition 類似，如以下示例所示：
y = np.array([1,5,6,8,1,7,3,6,9])# Where y is greater than 5, returns index position
np.where(y>5)
array([2, 3, 5, 7, 8], dtype=int64),)# First will replace the values that match the condition,
# second will replace the values that does not
np.where(y>5, "Hit", "Miss")
array(['Miss', 'Miss', 'Hit', 'Hit', 'Miss', 'Hit', 'Miss', 'Hit', 'Hit'],dtype='<U4') percentile()
Percentile() 用于計算特定軸方向上數組元素的第 n 個百分位數。
a = np.array([1,5,6,8,1,7,3,6,9])print("50th Percentile of a, axis = 0 : ",
np.percentile(a, 50, axis =0))
50th Percentile of a, axis = 0 : 6.0b = np.array([[10, 7, 4], [3, 2, 1]])print("30th Percentile of b, axis = 0 : ",
np.percentile(b, 30, axis =0))
30th Percentile of b, axis = 0 : [5.1 3.5 1.9] 這就是 Numpy 擴充包的 6 種高效函數，相信會為你帶來幫助。接下來看一看 Pandas 資料分析庫的 6 種函數。
Pandas 資料統計包的 6 種高效函數
Pandas 也是一個 Python 包，它提供了快速、靈活以及具有顯著表達能力的資料結構，旨在使處理結構化 (表格化、多元、異構) 和時間序列資料變得既簡單又直覺。
Pandas 适用于以下各類資料:
- 具有異構類型列的表格資料，如 SQL 表或 Excel 表；
- 有序和無序 (不一定是固定頻率) 的時間序列資料；
- 帶有行/列标簽的任意矩陣資料（同構類型或者是異構類型）；
- 其他任意形式的統計資料集。事實上，資料根本不需要标記就可以放入 Pandas 結構中。
Pandas 擅長處理的類型如下所示：
- 容易處理浮點資料和非浮點資料中的 缺失資料（用 NaN 表示）；
- 大小可調整性: 可以從 DataFrame 或者更高次元的對象中插入或者是删除列；
- 顯式資料可自動對齊: 對象可以顯式地對齊至一組标簽内，或者使用者可以簡單地選擇忽略标簽，使 Series、 DataFrame 等自動對齊資料；
- 靈活的分組功能，對資料集執行拆分-應用-合并等操作，對資料進行聚合和轉換；
- 簡化将資料轉換為 DataFrame 對象的過程，而這些資料基本是 Python 和 NumPy 資料結構中不規則、不同索引的資料；
- 基于标簽的智能切片、索引以及面向大型資料集的子設定；
- 更加直覺地合并以及連接配接資料集；
- 更加靈活地重塑、轉置（pivot）資料集；
- 軸的分級标記 (可能包含多個标記)；
- 具有魯棒性的 IO 工具，用于從平面檔案 (CSV 和 delimited)、 Excel 檔案、資料庫中加在資料，以及從 HDF5 格式中儲存 / 加載資料；
- 時間序列的特定功能: 資料範圍的生成以及頻率轉換、移動視窗統計、資料移動和滞後等。
read_csv(nrows=n)
大多數人都會犯的一個錯誤是，在不需要.csv 檔案的情況下仍會完整地讀取它。如果一個未知的.csv 檔案有 10GB，那麼讀取整個.csv 檔案将會非常不明智，不僅要占用大量記憶體，還會花很多時間。我們需要做的隻是從.csv 檔案中導入幾行，之後根據需要繼續導入。
import io
import requests# I am using this online data set just to make things easier for you guys
url = "https://raw.github.com/vincentarelbundock/Rdatasets/master/csv/datasets/AirPassengers.csv"
s = requests.get(url).content# read only first 10 rows
df = pd.read_csv(io.StringIO(s.decode('utf-8')),nrows=10 , index_col=0) map()
map( ) 函數根據相應的輸入來映射 Series 的值。用于将一個 Series 中的每個值替換為另一個值，該值可能來自一個函數、也可能來自于一個 dict 或 Series。
# create a dataframe
dframe = pd.DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['India', 'USA', 'China', 'Russia'])#compute a formatted string from each floating point value in frame
changefn = lambda x: '%.2f' % x# Make changes element-wise
dframe['d'].map(changefn) apply()
apply() 允許使用者傳遞函數，并将其應用于 Pandas 序列中的每個值。
# max minus mix lambda fn
fn = lambda x: x.max() - x.min()# Apply this on dframe that we've just created above
dframe.apply(fn) isin()
lsin () 用于過濾資料幀。Isin () 有助于選擇特定列中具有特定（或多個）值的行。
# Using the dataframe we created for read_csv
filter1 = df["value"].isin([112])
filter2 = df["time"].isin([1949.000000])df [filter1 & filter2] copy()
Copy () 函數用于複制 Pandas 對象。當一個資料幀配置設定給另一個資料幀時，如果對其中一個資料幀進行更改，另一個資料幀的值也将發生更改。為了防止這類問題，可以使用 copy () 函數。
# creating sample series
data = pd.Series(['India', 'Pakistan', 'China', 'Mongolia'])# Assigning issue that we face
data1= data
# Change a value
data1[0]='USA'
# Also changes value in old dataframe
data# To prevent that, we use
# creating copy of series
new = data.copy()# assigning new values
new[1]='Changed value'# printing data
print(new)
print(data) select_dtypes()
select_dtypes() 的作用是，基于 dtypes 的列傳回資料幀列的一個子集。這個函數的參數可設定為包含所有擁有特定資料類型的列，亦或者設定為排除具有特定資料類型的列。
# We'll use the same dataframe that we used for read_csv
framex = df.select_dtypes(include="float64")# Returns only time column 最後，pivot_table( ) 也是 Pandas 中一個非常有用的函數。如果對 pivot_table( ) 在 excel 中的使用有所了解，那麼就非常容易上手了。
# Create a sample dataframe
school = pd.DataFrame({'A': ['Jay', 'Usher', 'Nicky', 'Romero', 'Will'],
'B': ['Masters', 'Graduate', 'Graduate', 'Masters', 'Graduate'],
'C': [26, 22, 20, 23, 24]})# Lets create a pivot table to segregate students based on age and course
table = pd.pivot_table(school, values ='A', index =['B', 'C'],
columns =['B'], aggfunc = np.sum, fill_value="Not Available")
table