Pandas 데이터 분석 최적화를 위한 팁과 방법

데이터 분석 효율성을 향상시키는 pandas 팁과 요령

소개

현대 데이터 분석 분야에서 pandas는 매우 널리 사용되는 Python 라이브러리입니다. 효율적이고 유연하며 풍부한 데이터 구조와 데이터 처리 도구를 제공하여 데이터 분석을 더욱 간단하고 효율적으로 만듭니다. 그러나 팬더의 잠재력을 진정으로 실현하려면 몇 가지 팁과 요령을 아는 것이 중요합니다. 이 기사에서는 데이터 분석의 효율성을 향상시키고 구체적인 코드 예제를 제공하는 몇 가지 Pandas 기술을 소개합니다.

1. 벡터화 연산 사용

데이터 분석에서는 덧셈, 뺄셈, 곱셈과 나눗셈, 평균 계산, 그룹 통계 등 데이터에 대한 다양한 계산과 연산을 수행해야 하는 경우가 많습니다. 벡터화 작업을 사용하면 데이터 처리 속도가 크게 향상될 수 있습니다. 팬더의 많은 함수는 덧셈 연산 add, 뺄셈 연산 sub, 곱셈 연산 mul, 나눗셈 연산 div 등과 같은 벡터화 연산을 지원합니다. 다음은 간단한 예입니다.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})

df['C'] = df['A'] + df['B']  # 使用向量化的加法操作

print(df)

출력:

   A  B   C
0  1  5   6
1  2  6   8
2  3  7  10
3  4  8  12

2. 조건을 사용하여 데이터 선택

데이터를 처리할 때 특정 조건에 따라 데이터 세트에서 필요한 부분을 선택해야 하는 경우가 종종 있습니다. 이 기능은 조건부 선택을 사용하여 쉽게 구현할 수 있습니다. Pandas는 부울 인덱싱을 사용하여 조건을 사용하여 데이터를 선택하는 방법을 제공합니다. 예는 다음과 같습니다.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})

df_selected = df[df['A'] > 2]  # 选择A列中大于2的行

print(df_selected)

출력:

   A  B
2  3  7
3  4  8

3. 데이터 그룹화 및 집계에 피벗 테이블 사용

Pandas의 피벗 테이블은 데이터 그룹화 및 집계를 위한 매우 편리한 도구입니다. 피벗 테이블을 통해 지정된 열에 따라 데이터를 쉽게 그룹화하고 다른 열에 대한 집계 통계를 수행할 수 있습니다. 다음은 예입니다.

import pandas as pd

df = pd.DataFrame({'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar'],
                   'B': ['one', 'one', 'two', 'two', 'two', 'one'],
                   'C': [1, 2, 3, 4, 5, 6]})

df_pivot = df.pivot_table(values='C', index='A', columns='B', aggfunc='sum')

print(df_pivot)

출력:

B    one  two
A            
bar    7    6
foo    6    8

4. 사용자 지정 작업에 적용 기능 사용

때로는 데이터에 대해 일부 사용자 지정 작업을 수행해야 할 때가 있습니다. Pandas에서는 적용 기능을 사용하여 이 목적을 달성할 수 있습니다. 적용 함수는 사용자 정의 함수를 매개변수로 허용하고 이를 데이터 세트의 각 행 또는 열에 적용할 수 있습니다. 다음은 예입니다.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})

def custom_operation(row):
    return row['A'] + row['B']

df['C'] = df.apply(custom_operation, axis=1)

print(df)

출력:

   A  B   C
0  1  5   6
1  2  6   8
2  3  7  10
3  4  8  12

결론

이 문서에서는 벡터화 작업 사용, 조건을 사용하여 데이터 선택, 데이터용 피벗 테이블 사용 등 데이터 분석의 효율성을 향상시키는 몇 가지 Pandas 팁과 요령을 소개합니다. 그룹화 및 집계 그리고 사용자 정의 작업에 적용 기능을 사용합니다. 이러한 기술을 익히면 데이터 분석 작업을 보다 효율적으로 수행하고 업무 효율을 높일 수 있습니다. 물론 이것은 pandas 기능의 일부일 뿐이며 우리가 탐색하기를 기다리는 다른 강력한 기능도 많이 있습니다. 이 기사가 독자들에게 영감을 주고 일상적인 데이터 분석 작업에서 더 큰 역할을 할 수 있기를 바랍니다.

위 내용은 Pandas 데이터 분석 최적화를 위한 팁과 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!