探索性数据分析 (EDA)，Python 中这 4 个方法更快真棒

Posted 2021-12-13 Python学习与数据挖掘

大家好，常用探索性数据分析方法很多，比如常用的 Pandas DataFrame 方法有 .head()、.tail()、.info()、.describe()、.plot() 和 .value_counts()。

今天我给大家分享几种更快的探索性数据分析方法，它们可以进一步加速 EDA。 我们以一个学生考试成绩的例子，创建一个如下所示的 DataFrame 并继续操作。欢迎收藏学习，喜欢点赞支持，文末提供技术交流群

import pandas as pd
import numpy as np
df = pd.DataFrame( {     
"Student" : ["Mike", "Jack", "Diana", "Charles", "Philipp", "Charles", "Kale", "Jack"] ,           
"City" : ["London", "London", "Berlin", "London", "London", "Berlin", "London", "Berlin"] ,
"Age" : [20, 40, 18, 24, 37, 40, 44, 20 ],
"Maths_Score" : [84, 80, 50, 36, 44, 24, 41, 35],
"Science_Score" : [66, 83, 51, 35, 43, 58, 71, 65]} ) 
df

在 Pandas 中创建 groupby() 对象

在许多情况下，我们希望将数据集拆分为多个组并对这些组进行处理。 Pandas 方法 groupby() 用于将 DataFrame 中的数据分组。

与其一起使用 groupby() 和聚合方法，不如创建一个 groupby() 对象。 理想的情况是，我们可以在需要时直接使用此对象。

让我们根据列“City”将给定的 DataFrame 分组

df_city_group = df.groupby("City")

我们创建一个对象 df_city_group，该对象可以与不同的聚合相结合，例如 min()、max()、mean()、describe() 和 count()。 一个例子如下所示。

要获取“City”是Berlin的 DataFrame 子集，只需使用方法 .get_group()

这不需要为每个组创建每个子 DataFrame 的副本，比较节省内存。

另外，使用 .groupby() 进行切片比常规方法快 2 倍！！

使用 .nlargest()

通常，我们根据特定列的值了解 DataFrame 的 Top 3 或 Top 5 数据。例如，从考试中获得前 3 名得分者或从数据集中获得前 5 名观看次数最多的电影。使用 Pandas .nlargest() 是最简单的方式。

df.nlargest(N, column_name, keep = ‘first’ )

使用 .nlargest() 方法，可以检索包含指定列的 Top ‘N’ 值的 DataFrame 行。

在上面的示例中，让我们获取前 3 个“Maths_Score”的 DataFrame 的行。

如果两个值之间存在联系，则可以修改附加参数和可选参数。 它需要值“first”、“last”和“all”来检索领带中的第一个、最后一个和所有值。这种方法的优点是，你不需要专门对 DataFrame 进行排序。

使用 .nsmallest()

与Top 3 或5 类似，有时我们也需要DataFrame 中的Last 5 条记录。例如，获得评分最低的 5 部电影或考试中得分最低的 5 名学生。使用 Pandas .nsmallest() 是最简单的方式

df.nsmallestst(N, column_name, keep = ‘first’ )

使用 .nsmallest() 方法，可以检索包含指定列的底部“N”个值的 DataFrame 行。

在同一个示例中，让我们获取 DataFrame“df”中“Maths_Score”最低的 3 行。

逻辑比较

比较运算符 <、>、<=、>=、==、!= 及其包装器 .lt()、.gt()、.le()、.ge()、.eq() 和 .ne() 分别在以下情况下非常方便将 DataFrame 与基值进行比较，这种比较会产生一系列布尔值，这些值可用作以后的指标。

• 基于比较对 DataFrame 进行切片

• 可以基于与值的比较从 DataFrame 中提取子集。

• 根据两列的比较在现有 DataFrame 中创建一个新列。

所有这些场景都在下面的示例中进行了解释

# 1. Comparing the DataFrame to a base value
# Selecting the columns with numerical values only
df.iloc[:,2:5].gt(50)
df.iloc[:,2:5].lt(50)

# 2. Slicing the DataFrame based on comparison
# df1 is subset of df when values in "Maths_Score" column are not equal or equal to '35'
df1 = df[df["Maths_Score"].ne(35)]
df2 = df[df["Maths_Score"].eq(35)]


# 3. Creating new column of True-False values by comparing two columns
df["Maths_Student"] = df["Maths_Score"].ge(df["Science_Score"])
df["Maths_Student_1"] = df["Science_Score"].le(df["Maths_Score"])

总结

在使用 Python 进行数据分析时，我发现这些方法非常方便，它确实让数据分析变得更快。欢迎大家尝试这些，如果你有那些更棒的方法，欢迎评论区留言！

---

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式①、发送如下图片至微信，长按识别，后台回复：加群；
• 方式②、添加微信号：dkl88191，备注：来自CSDN
• 方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群