Pandas ufuncs小技巧

Pandas的ufuncs為什麼比apply command還建議使用?

Pandas 有一個apply function讓你可以針對所有在column的值執行任何functions。注意apply只是比python內建的loop還要快一點點而已！這就是為什麼pandas的內建ufuncs比較推薦使用在columns的預處理(preprocessing)。
ufuncs是特殊functions(建構在numpy的library)裡面並由C來實行，這就是為何ufuncs會如此之快。以下會介紹幾種ufuncs的例子(.diff, .shift, .cumsum, .cumcount, .str commands (作用在字串), .dt commands (作用在日期))。

1 範例數據 — 暑期活動

這裡透過下面的數據集來演示pandas的ufuncs(同一個人可以在不同的時間軸上進行不同的活動)

這裏假設我們的任務是要基於上面的數據集去預測誰是最有趣的同學

2 1. String commands

如果我們想要對字串做切割的話，string commands (which are Ufuncs)是最推薦的：

1

df['name'] = df.name.str.split(" ", expand=True)

3 2. Group by and value_counts

透過groupby和value_counts我們可以輕鬆數出每個人做過多少次活動：

1

df.groupby('name')['activity'].value_counts()

4 3. Unstack

我們也可以創建每個人的活動計數特徵，透過unstack方法，可以將行與列互換，unstack會把最低level的index轉換成cloumns，每個人的活動計數會變成cloumns，對於沒有從事該活動的人欄位會維持缺失值NaN，可以對其進行缺失值填補。

1

df.groupby('name')['activity'].value_counts().unstack().fillna(0)

5 4. groupby, diff, shift, and loc + A great tip for efficiency

如果能了解一個人在活動中從事的時間，必定能對我們了解誰是最有趣的人有幫助。誰在party待最久？誰在海邊待最久？ 對於時間長短最有效的推算方式就是先使用groupby歸類人名，再用diff()算出時間差:

1
2

df = df.sort_values(by=['name','timestamp'])
df['time_diff'] = df.groupby('name')['timestamp'].diff()

1
2
3

df = df.sort_values(by=['name','timestamp'])
df['time_diff'] = df['timestamp'].diff()
df.loc[df.name != df.name.shift(), 'time_diff'] = None

1

df['time_diff'] = df.time_diff.dt.total_seconds()

1

df['row_duration'] = df.time_diff.shift(-1)

6 5. Cumcount and Cumsum

Cumcount可以創建一個累積計數。舉個例子，我們可以單獨把每個人的第二項活動提取出來，透過groupby(‘name’)之後apply cumcount(關於cumcount可以見這裡)。因為 cumcount從0開始排序，所以如果我們想知道每個人的第二個活動，我們可以==1(第三個活動==2)

1
2

df = df.sort_values(by=['name','timestamp'])
df2 = df[df.groupby('name').cumcount()==1]

1
2

df = df.sort_values(by=['name','timestamp'])
df2 = df[df.groupby('name').cumcount()==2]

1
2

df = df.sort_values(by=['name','timestamp'])
df['money_spent_so_far'] = df.groupby(‘name’)['money_spent'].cumsum()

7 6. groupby, max, min for measuring the duration of activities

在之前我們試過看看每個人在每一個活動中花了多少時間，但是我們忽略了有時候兩個活動其實是同一活動的連續！為了得知真正的活動進行時間，我們必須從連續活動的一開始測量到最後結束。這裡我們使用.shift和.cumsum去創建新特徵值activity_change

1

df['activity_change'] = (df.activity!=df.activity.shift()) | (df.name!=df.name.shift())

1

df['activity_num'] = df.groupby('name')['activity_change'].cumsum()

1

activity_duration = df.groupby(['name','activity_num','activity'])['activity_duration'].sum()

1

activity_duration = activity_duration.dt.total_seconds()

1

activity_duration = activity_duration.reset_index().groupby('name').max()

出處:參考原文