Pandas借助Numpy实现优化的条件检索代码

Numpy其实是最早的处理数据的Python库，它的核心ndarray对象，是一个高效的n维数组结构。

通过这个库，可以高效的完成向量和矩阵运算，由于其出色的性能，很多其他的数据分析，科学计算或者机器学习相关的Python库都或多或少的依赖于它。

Pandas就是其中之一，Pandas充分利用了NumPy的数组运算功能，使得数据处理和分析更加高效。
比如，Pandas中最重要的两个数据结构Series和DataFrame在内部就使用了NumPy的ndarray来存储数据。

在使用Pandas进行数据分析的过程中，按条件检索和过滤数据是最频繁的操作。
本文介绍两种通过结合Numpy，一方面让Pandas的检索过滤代码更加简洁易懂，另一方面还能保障检索过滤的高性能。

1. 准备数据

第一步，先准备数据，这次使用二手房交易数据，可从 https://databook.top/lianjia/nj 下载。

import pandas as pd
import numpy as np

# 这个路径替换成自己的路径
fp = r'D:\data\南京二手房交易\南京江宁区.csv'

df = pd.read_csv(fp)
df.head()

2. 一般条件判断（np.where）

比如，买房前我们想先分析下已有的成交信息，对于房价能有个大致的印象。

下面，按照总价和单价，先挑选总价200~300万之间，或者单价1万以下的成交信息。

符合条件返回“OK”，否则返回“NG”。

def filter_data(row):
    if row["totalPrice"] > 200 and row["totalPrice"] < 300:
        return "OK"

    if row["unitPrice"] < 10000:
        return "OK"

    return "NG"

df["评估"] = df.apply(filter_data, axis=1)
df[df["评估"] == "OK"].head()

上面的过滤数据写法是使用Pandas时用的比较多的方式，也就是将过滤条件封装到一个自定义函数（filter_data）中，然后通过 apply 函数来完成数据过滤。

下面我们用Numpy的 np.where 接口来改造上面的代码。

np.where类似Python编程语言中的if-else判断，基本语法：

import numpy as np

np.where(condition[, x, y])

其中：

• condition：条件表达式，返回布尔数组。
• x 和 y：可选参数，condition为True，返回x，反之，返回y。

如果未提供x 和 y，则函数仅返回满足条件的元素的索引。

改造后的代码如下：

# 根据单价过滤
cond_unit_price = np.where(
    df["unitPrice"] < 10000,
    "OK",
    "NG",
)

# 先根据总价过滤，不满足条件再用单价过滤
cond_total_price = np.where(
    (df["totalPrice"] > 200) & (df["totalPrice"] < 300),
    "OK",
    cond_unit_price,
)

df["评估"] = cond_total_price
df[df["评估"] == "OK"].head()

运行之后返回的结果是一样的，但是性能提升很多。

如果数据量是几十万量级的话，你会发现改造之后的代码运行效率提高了几百倍。

3. 复杂多条件判断（np.select）

上面的示例中，判断还比较简单，属于if-else，也就是是与否的判断。

下面设计一种更复杂的判断，将成交信息评估为“优良中差”4个等级，而不仅仅是“OK”和“NG”。

我们假设：

• 优：房屋精装，且位于中楼层，且近地铁
• 良：总价<300，且近地铁
• 中：总价<400
• 差：其他情况

用传统的方式，同样是封装一个类似filter_data的函数来判断“优良中差”4个等级，然后用 apply 函数来完成数据过滤。

这里就不演示了，直接看结合Numpy的np.select接口，高效的完成“优良中差”4个等级的过滤。

np.select类似Python编程语言中的match匹配，基本语法：

numpy.select(condlist, choicelist, default=0)

其中：

• condlist：条件列表，每个条件都是一个布尔数组。
• choicelist：与 condlist 对应的数组列表，当某个条件为真时，返回该位置对应的数组中的元素。
• default：可选参数，当没有条件为真时返回的默认值。

# 设置 “优，良，中” 的判断条件
conditions = [
    df["houseInfo"].str.contains("精装")
    & df["positionInfo"].str.contains("中楼层")
    & df["advantage"].str.contains("近地铁"),
    
    (df["totalPrice"] < 300) & df["advantage"].str.contains("近地铁"),
    
    df["totalPrice"] < 400,
]
choices = ["优", "良", "中"]

# 默认为 “差”
df["评估"] = np.select(conditions, choices, default="差")
df.head()

这样，就实现了一个对成交信息的分类。

4. 总结

np.where 和 np.select的底层都是向量化的方式来操作数据，执行效率非常高。

所以，我们在使用Pandas分析数据时，应尽量使用np.where 和 np.select来帮助我们过滤数据，这样不仅能够让代码更加简洁专业，而且能够极大的提高分析性能。

到此这篇关于Pandas借助Numpy实现优化的条件检索代码的文章就介绍到这了,更多相关Pandas Numpy优化条件检索内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论