《Pandas 简易速速上手小册》第8章：Pandas 高级数据分析技巧（2024 最新版）

8.1 使用 apply 和 map 函数

在 Pandas 中，apply 和 map 函数是进行数据转换和运算的强大工具，它们提供了一种高效的方法来处理数据集中的元素。

8.1.1 基础知识

1. apply 函数: 可以在 DataFrame 的轴（行或列）上应用一个函数，适用于需要访问多个列，或整个行/列的操作。
2. map 函数: 主要用于 Series，将一个函数映射到 Series 的每个元素上，适用于元素级的转换和运算。
3. applymap 函数: 在 DataFrame 的每个元素上应用一个函数，适用于元素级的操作，是 map 函数在 DataFrame 上的对应操作。

8.1.2 重点案例：客户数据清洗和转换

假设你有一份包含客户信息的数据集，需要进行数据清洗和转换。

数据准备

import pandas as pd

# 示例客户数据
customer_data = {
    'name': ['Alice Smith', 'bob Johnson', 'CHARLIE BROWN'],
    'age': ['25', 'thirty-five', '40'],
    'email': ['[email protected]', '[email protected]', '[email protected]']
}
customer_df = pd.DataFrame(customer_data)

数据清洗和转换

# 标准化姓名格式：首字母大写，其他字母小写
customer_df['name'] = customer_df['name'].apply(lambda x: x.title())

# 转换年龄为数值类型：将非数字的年龄转换为 NaN，然后填充平均年龄
customer_df['age'] = pd.to_numeric(customer_df['age'], errors='coerce').fillna(customer_df['age'].dropna().astype(int).mean())

# 邮箱地址转小写
customer_df['email'] = customer_df['email'].map(lambda x: x.lower())

8.1.3 拓展案例一：产品评分调整

有一份包含产品评分的数据集，需要对评分进行一定的调整。

数据准备

# 示例产品评分数据
product_scores = {
    'product_id': [1, 2, 3],
    'score': [4, 3.5, 5]
}
scores_df = pd.DataFrame(product_scores)

评分调整

# 对评分加权调整：评分低于5的乘以1.1，但不超过5
scores_df['adjusted_score'] = scores_df['score'].apply(lambda x: min(x * 1.1, 5))

8.1.4 拓展案例二：地址格式化

假设有一份包含客户地址的数据集，需要将地址格式统一化，去除多余的空格和标点。

数据准备

# 示例客户地址数据
address_data = {
    'customer_id': [1, 2, 3],
    'address': ['123 Elm St.', ' 456 Maple Ave', '789 Oak Dr, ']
}
address_df = pd.DataFrame(address_data)

地址格式化

# 去除地址中的标点和多余空格
import re
address_df['address'] = address_df['address'].apply(lambda x: re.sub(r'[^\w\s]', '', x.strip()))

通过这些案例，我们展示了如何使用 apply 和 map 函数进行数据清洗和转换。这些函数为处理复杂的数据转换提供了灵活而强大的方法，使得数据预处理变得更加高效和简洁。

---

8.2 性能优化技巧

在处理大型数据集时，性能成为一个不可忽视的因素。优化数据处理性能不仅可以节省时间，还能提高数据分析的效率。

8.2.1 基础知识

1. 向量化操作: 利用 Pandas 和 NumPy 的向量化操作代替循环，可以显著提高执行速度。
2. 使用更高效的数据类型: 比如将浮点数列转换为整数类型（如果可能），使用分类类型等，可以减少内存使用。
3. 批处理处理大数据: 分批次处理数据而不是一次性加载整个数据集到内存中。
4. 并行处理: 在可能的情况下，利用多核 CPU 进行并行处理。

8.2.2 重点案例：大型销售数据分析

假设你有一份非常大的销售数据集，需要计算每个产品的总销售额。

数据准备

import pandas as pd
import numpy as np

# 生成大型销售数据示例
np.random.seed(0)
sales_data = {
    'product_id': np.random.randint(1, 100, 1000000),
    'sales_amount': np.random.rand(1000000) * 100
}
sales_df = pd.DataFrame(sales_data)

性能优化

# 向量化计算总销售额
total_sales = sales_df.groupby('product_id')['sales_amount'].sum()

8.2.3 拓展案例一：内存优化通过更高效的数据类型

处理包含数百万条记录的客户数据集，需要将数据类型转换为更高效的格式以减少内存使用。

数据准备

# 生成大型客户数据示例
customer_data = {
    'customer_id': np.arange(1, 1000001),
    'age': np.random.randint(18, 80, 1000000),
    'email_count': np.random.randint(1, 10, 1000000)
}
customer_df = pd.DataFrame(customer_data)

内存优化

# 转换数据类型
customer_df['customer_id'] = customer_df['customer_id'].astype('int32')
customer_df['age'] = customer_df['age'].astype('int8')
customer_df['email_count'] = customer_df['email_count'].astype('int8')

8.2.4 拓展案例二：使用并行处理加速数据清洗

假设需要对一份大型文本数据集进行清洗，包括去除特殊字符、转换大小写等。

数据准备

# 生成大型文本数据示例
text_data = ['This is a SAMPLE text.' * 10 for _ in range(100000)]
text_df = pd.DataFrame(text_data, columns=['text'])

并行处理

由于 Pandas 直接不支持并行处理，此示例暂略。在实际应用中，可以考虑使用 dask 库或 multiprocessing 库来实现数据的并行处理。

通过这些案例，我们展示了如何通过向量化操作、优化数据类型、批处理处理大数据以及并行处理等技巧来提高数据处理的性能。这些方法对于处理大型数据集尤其重要，可以帮助你在保证分析质量的同时，显著减少处理时间和内存消耗。

---

8.3 处理大型数据集

处理大型数据集时，传统的数据处理方法可能会受到内存限制的影响，导致效率低下或无法执行。优化数据处理流程，使其能够高效地处理大型数据集，是提高分析效率的关键。

8.3.1 基础知识

1. 分块处理: 将大型数据集分成小块，逐块加载处理，而不是一次性加载整个数据集到内存中。
2. 高效的数据格式: 使用如 Parquet、HDF5 等高效的数据存储格式，可以加速数据读写操作，并降低内存使用。
3. 使用 Dask 等工具: 对于特别大的数据集，可以使用如 Dask 这样的库，它支持并行计算并优化内存使用。

8.3.2 重点案例：分块读取并处理销售数据

假设你有一个非常大的销售记录文件，无法一次性加载到内存中，需要分块进行处理。

数据准备

此处我们模拟创建一个大型文件的过程，实际操作中你可能直接操作现有的大文件。

import pandas as pd
import numpy as np

# 生成示例销售数据并保存到 CSV 文件
chunk_size = 10000
num_chunks = 500
for i in range(num_chunks):
    df = pd.DataFrame({
        'SaleID': range(i * chunk_size, (i + 1) * chunk_size),
        'ProductID': np.random.randint(1, 100, chunk_size),
        'SaleAmount': np.random.rand(chunk_size) * 100
    })
    df.to_csv('/mnt/data/sales_large.csv', mode='a', index=False, header=(i == 0))

分块读取和处理

chunk_iter = pd.read_csv('/mnt/data/sales_large.csv', chunksize=chunk_size)

total_sales = 0
for chunk in chunk_iter:
    total_sales += chunk['SaleAmount'].sum()
print(f"Total sales amount: {total_sales}")

8.3.3 拓展案例一：使用高效数据格式存储和读取

将大型数据集转换为更高效的格式，如 Parquet，以优化读写速度和降低内存消耗。

# 假设 df 是一个大型 DataFrame
df.to_parquet('/mnt/data/sales_large.parquet')

# 读取 Parquet 文件
df_parquet = pd.read_parquet('/mnt/data/sales_large.parquet')

8.3.4 拓展案例二：利用 Dask 处理超大数据集

对于超大型数据集，Pandas 可能不足以高效处理。此时可以考虑使用 Dask。

# 注意：此代码示例需要在支持 Dask 的环境中运行
from dask import dataframe as dd

# 读取数据
dask_df = dd.read_csv('/mnt/data/sales_large.csv')

# 使用 Dask 进行计算
total_sales_dask = dask_df['SaleAmount'].sum().compute()
print(f"Total sales amount with Dask: {total_sales_dask}")

通过这些案例，我们展示了如何处理大型数据集，包括分块处理数据、使用高效的数据格式，以及利用 Dask 进行超大数据集的分析。这些技巧对于处理和分析大规模数据集至关重要，可以帮助你克服内存限制，提高数据处理效率。