99%的人都不知道的pandas骚操作（一）

摘要：没错，在中你一样可以这样简单的操作，而不同的是你操作的是一整列的字符串数据。因为对于类型的，字符的操作发生在的非重复值上，而并非原上的所有元素上。下面的这些属性基本都是关于查看和操作数据类型的。

作者：xiaoyu

微信公众号：Python数据科学

知乎：python数据分析师

pandas有一种功能非常强大的方法，它就是accessor，可以将它理解为一种属性接口，通过它可以获得额外的方法。其实这样说还是很笼统，下面我们通过代码和实例来理解一下。

>>> pd.Series._accessors
{"cat", "str", "dt"}

对于Series数据结构使用_accessors方法，我们得到了3个对象：cat，str，dt。

.cat：用于分类数据（Categorical data）

.str：用于字符数据（String Object data）

.dt：用于时间数据（datetime-like data）

下面我们依次看一下这三个对象是如何使用的。

Series数据类型：str字符串

# 定义一个Series序列
>>> addr = pd.Series([
...     "Washington, D.C. 20003",
...     "Brooklyn, NY 11211-1755",
...     "Omaha, NE 68154",
...     "Pittsburgh, PA 15211"
... ]) 

>>> addr.str.upper()
0     WASHINGTON, D.C. 20003
1    BROOKLYN, NY 11211-1755
2            OMAHA, NE 68154
3       PITTSBURGH, PA 15211
dtype: object

>>> addr.str.count(r"d") 
0    5
1    9
2    5
3    5
dtype: int64

关于以上str对象的2个方法说明：

Series.str.upper：将Series中所有字符串变为大写；

Series.str.count：对Series中所有字符串的个数进行计数；

其实不难发现，该用法的使用与Python中字符串的操作很相似。没错，在pandas中你一样可以这样简单的操作，而不同的是你操作的是一整列的字符串数据。仍然基于以上数据集，再看它的另一个操作：

>>> regex = (r"(?P[A-Za-z ]+), "      # 一个或更多字母
...          r"(?P[A-Z]{2}) "        # 两个大写字母
...          r"(?Pd{5}(?:-d{4})?)")  # 可选的4个延伸数字
...
>>> addr.str.replace(".", "").str.extract(regex)
         city state         zip
0  Washington    DC       20003
1    Brooklyn    NY  11211-1755
2       Omaha    NE       68154
3  Pittsburgh    PA       15211

关于以上str对象的2个方法说明：

Series.str.replace：将Series中指定字符串替换；

Series.str.extract：通过正则表达式提取字符串中的数据信息；

这个用法就有点复杂了，因为很明显看到，这是一个链式的用法。通过replace将 " . " 替换为""，即为空，紧接着又使用了3个正则表达式（分别对应city，state，zip）通过extract对数据进行了提取，并由原来的Series数据结构变为了DataFrame数据结构。

当然，除了以上用法外，常用的属性和方法还有rstrip，.contains，split等，我们通过下面代码查看一下str属性的完整列表：

>>> [i for i in dir(pd.Series.str) if not i.startswith("_")]
["capitalize",
 "cat",
 "center",
 "contains",
 "count",
 "decode",
 "encode",
 "endswith",
 "extract",
 "extractall",
 "find",
 "findall",
 "get",
 "get_dummies",
 "index",
 "isalnum",
 "isalpha",
 "isdecimal",
 "isdigit",
 "islower",
 "isnumeric",
 "isspace",
 "istitle",
 "isupper",
 "join",
 "len",
 "ljust",
 "lower",
 "lstrip",
 "match",
 "normalize",
 "pad",
 "partition",
 "repeat",
 "replace",
 "rfind",
 "rindex",
 "rjust",
 "rpartition",
 "rsplit",
 "rstrip",
 "slice",
 "slice_replace",
 "split",
 "startswith",
 "strip",
 "swapcase",
 "title",
 "translate",
 "upper",
 "wrap",
 "zfill"]

属性有很多，对于具体的用法，如果感兴趣可以自己进行摸索练习。

Series数据类型：datetime

因为数据需要datetime类型，所以下面使用pandas的date_range()生成了一组日期datetime演示如何进行dt对象操作。

>>> daterng = pd.Series(pd.date_range("2017", periods=9, freq="Q"))
>>> daterng
0   2017-03-31
1   2017-06-30
2   2017-09-30
3   2017-12-31
4   2018-03-31
5   2018-06-30
6   2018-09-30
7   2018-12-31
8   2019-03-31
dtype: datetime64[ns]

>>>  daterng.dt.day_name()
0      Friday
1      Friday
2    Saturday
3      Sunday
4    Saturday
5    Saturday
6      Sunday
7      Monday
8      Sunday
dtype: object

>>> # 查看下半年
>>> daterng[daterng.dt.quarter > 2]
2   2017-09-30
3   2017-12-31
6   2018-09-30
7   2018-12-31
dtype: datetime64[ns]

>>> daterng[daterng.dt.is_year_end]
3   2017-12-31
7   2018-12-31
dtype: datetime64[ns]

以上关于dt的3种方法说明：

Series.dt.day_name()：从日期判断出所处星期数；

Series.dt.quarter：从日期判断所处季节；

Series.dt.is_year_end：从日期判断是否处在年底；

其它方法也都是基于datetime的一些变换，并通过变换来查看具体微观或者宏观日期。

Series数据类型：Category

在说cat对象的使用前，先说一下Category这个数据类型，它的作用很强大。虽然我们没有经常性的在内存中运行上g的数据，但是我们也总会遇到执行几行代码会等待很久的情况。使用Category数据的一个好处就是：可以很好的节省在时间和空间的消耗。下面我们通过几个实例来学习一下。

>>> colors = pd.Series([
...     "periwinkle",
...     "mint green",
...     "burnt orange",
...     "periwinkle",
...     "burnt orange",
...     "rose",
...     "rose",
...     "mint green",
...     "rose",
...     "navy"
... ])
...
>>> import sys
>>> colors.apply(sys.getsizeof)
0    59
1    59
2    61
3    59
4    61
5    53
6    53
7    59
8    53
9    53
dtype: int64

上面我们通过使用sys.getsizeof来显示内存占用的情况，数字代表字节数。
还有另一种计算内容占用的方法：memory_usage()，后面会使用。

现在我们将上面colors的不重复值映射为一组整数，然后再看一下占用的内存。

>>> mapper = {v: k for k, v in enumerate(colors.unique())}
>>> mapper
{"periwinkle": 0, "mint green": 1, "burnt orange": 2, "rose": 3, "navy": 4}

>>> as_int = colors.map(mapper)
>>> as_int
0    0
1    1
2    2
3    0
4    2
5    3
6    3
7    1
8    3
9    4
dtype: int64

>>> as_int.apply(sys.getsizeof)
0    24
1    28
2    28
3    24
4    28
5    28
6    28
7    28
8    28
9    28
dtype: int64

注：对于以上的整数值映射也可以使用更简单的pd.factorize()方法代替。

我们发现上面所占用的内存是使用object类型时的一半。其实，这种情况就类似于Category data类型内部的原理。

内存占用区别：Categorical所占用的内存与Categorical分类的数量和数据的长度成正比，相反，object所占用的内存则是一个常数乘以数据的长度。

下面是object内存使用和category内存使用的情况对比。

>>> colors.memory_usage(index=False, deep=True)
650
>>> colors.astype("category").memory_usage(index=False, deep=True)
495

上面结果是使用object和Category两种情况下内存的占用情况。我们发现效果并没有我们想象中的那么好。但是注意Category内存是成比例的，如果数据集的数据量很大，但不重复分类（unique）值很少的情况下，那么Category的内存占用可以节省达到10倍以上，比如下面数据量增大的情况：

>>> manycolors = colors.repeat(10)
>>> len(manycolors) / manycolors.nunique() 
20.0

>>> manycolors.memory_usage(index=False, deep=True)
6500
>>> manycolors.astype("category").memory_usage(index=False, deep=True)
585

可以看到，在数据量增加10倍以后，使用Category所占内容节省了10倍以上。

除了占用内存节省外，另一个额外的好处是计算效率有了很大的提升。因为对于Category类型的Series，str字符的操作发生在.cat.categories的非重复值上，而并非原Series上的所有元素上。也就是说对于每个非重复值都只做一次操作，然后再向与非重复值同类的值映射过去。

对于Category的数据类型，可以使用accessor的cat对象，以及相应的属性和方法来操作Category数据。

>>> ccolors = colors.astype("category")
>>> ccolors.cat.categories
Index(["burnt orange", "mint green", "navy", "periwinkle", "rose"], dtype="object")

实际上，对于开始的整数类型映射，我们可以先通过reorder_categories进行重新排序，然后再使用cat.codes来实现对整数的映射，来达到同样的效果。

>>> ccolors.cat.reorder_categories(mapper).cat.codes
0    0
1    1
2    2
3    0
4    2
5    3
6    3
7    1
8    3
9    4
dtype: int8

dtype类型是Numpy的int8（-127~128）。可以看出以上只需要一个单字节就可以在内存中包含所有的值。我们开始的做法默认使用了int64类型，然而通过pandas的使用可以很智能的将Category数据类型变为最小的类型。

让我们来看一下cat还有什么其它的属性和方法可以使用。下面cat的这些属性基本都是关于查看和操作Category数据类型的。

>>> [i for i in dir(ccolors.cat) if not i.startswith("_")]
["add_categories",
 "as_ordered",
 "as_unordered",
 "categories",
 "codes",
 "ordered",
 "remove_categories",
 "remove_unused_categories",
 "rename_categories",
 "reorder_categories",
 "set_categories"]

但是Category数据的使用不是很灵活。例如，插入一个之前没有的值，首先需要将这个值添加到.categories的容器中，然后再添加值。

>>> ccolors.iloc[5] = "a new color"
# ...
ValueError: Cannot setitem on a Categorical with a new category,
set the categories first

>>> ccolors = ccolors.cat.add_categories(["a new color"])
>>> ccolors.iloc[5] = "a new color"  

如果你想设置值或重塑数据，而非进行新的运算操作，那么Category类型不是那么有用。

以上就是本次骚操作的介绍，你get到了没有？

关注微信公众号：Python数据科学，发现更多精彩内容。