11 个 Python Pandas 高效工作小技巧及代码实例

在数据处理和分析领域，Python 的 Pandas 库是不可或缺的工具。掌握一些高效的小技巧能极大地提升工作效率。以下为您介绍 11 个实用技巧及相应的代码实例。

技巧 1：快速读取大型数据文件

使用 read_csv 函数时，指定 nrows 参数可以先读取部分数据进行预览。

import pandas as pd

df = pd.read_csv('data.csv', nrows=1000)

技巧 2：选取特定列

通过列名选取需要的列，减少数据量。

df = pd.read_csv('data.csv')
selected_columns = df[['col1', 'col2']]

技巧 3：数据筛选

使用条件筛选出符合要求的数据。

filtered_df = df[df['age'] > 18]

技巧 4：数据排序

按照指定列进行升序或降序排列。

sorted_df = df.sort_values('score', ascending=False)

技巧 5：处理缺失值

使用 fillna 方法填充缺失值。

df.fillna(0, inplace=True)

技巧 6：数据聚合

例如计算平均值、总和等。

aggregated_df = df.groupby('category')['price'].mean()

技巧 7：数据合并

通过 merge 函数将多个数据框合并。

df1 = pd.DataFrame({'id': [1, 2, 3], 'name': ['A', 'B', 'C']})
df2 = pd.DataFrame({'id': [2, 3, 4], 'age': [20, 25, 30]})

merged_df = pd.merge(df1, df2, on='id')

技巧 8：时间序列处理

方便地处理日期和时间数据。

df['date'] = pd.to_datetime(df['date'])

技巧 9：数据类型转换

将数据类型转换为合适的类型以节省内存和提高效率。

df['num'] = df['num'].astype(int)

技巧 10：数据采样

随机抽取部分数据进行分析。

sampled_df = df.sample(n=100)

技巧 11：性能优化

使用 inplace=True 参数直接修改原始数据框，避免创建新的副本。

掌握这些 Pandas 小技巧，能让您在数据处理工作中更加得心应手，提高数据分析的效率和质量。