python - Pandas 数据框行为

Question

这段代码有效——它将每一列设置为其平均值:

def setSerNanToMean(serAll):
    return serAll.replace(np.NaN, serAll.mean())
def setPdfNanToMean(pdfAll, listCols):
    pdfAll.ix[:,listCols] = pdfAll.ix[:,listCols].apply(setSerNanToMean)
setPdfNanToMean(pdfAll, [1,2,3,4])

此代码不起作用:

def setSerNanToMean(serAll):
    return serAll.replace(np.NaN, serAll.mean())
def setPdfNanToMean(pdfAll, listCols):
    pdfAll.ix[:,listCols].apply(setSerNanToMean) # This line has changed!
setPdfNanToMean(pdfAll, [1,2,3,4])

为什么第二段代码不起作用？ DataFrame.apply() 不是默认就地吗？ apply 函数没有就地参数。如果它不能正常工作，这是否会让 pandas 成为一个糟糕的内存处理程序？在这种情况下，所有 pandas 数据框操作都会复制所有内容吗？就地做不是更好吗？即使它不默认为就地，它不应该像replace()那样提供就地参数吗？

我并不是在寻找具体的答案，而是在寻找一般的理解。同样，这些代码块之一可以工作，因此我可以继续前进，但我真正想做的是了解 pandas 如何处理内存对象的操作。我有 McKinney 的书，因此非常欢迎页面引用，这样您就不必输入太多内容。

Answer 1

不，应用不能就地工作*。

这是另一个给你的:inplace 标志实际上并不意味着任何函数实际上就地发生(!)。举个例子:

In [11]: s = pd.Series([1, 2, np.nan, 4])

In [12]: s._data._values
Out[12]: array([  1.,   2.,  nan,   4.])

In [13]: vals = s._data._values

In [14]: s.fillna(s.mean(), inplace=True)

In [15]: vals is s._data._values  # values are the same
Out[15]: True

In [16]: vals
Out[16]: array([ 1.        ,  2.        ,  2.33333333,  4.        ])

In [21]: s = pd.Series([1, 2, np.nan, 4])  # start again

In [22]: vals = s._data._values

In [23]: s.fillna('mean', inplace=True)

In [24]: vals is s._data._values  # values are *not* the same
Out[24]: False

In [25]: s._data._values
Out[25]: array([1.0, 2.0, 'mean', 4.0], dtype=object)

注意:通常如果类型相同，则值数组也相同，但 pandas 不保证这一点。

一般来说 apply 很慢(因为你基本上是在 python 中迭代每一行)，并且“游戏”是根据 pandas/numpy native 函数和索引重写该函数。如果你想深入了解内部的更多细节，请查看 core/internals.py 中的 BlockManager，这是保存底层 numpy 数组的对象。但说实话，我认为你最有用的工具是 %timeit 并查看特定函数的源代码(ipython 中的 ??)。

在这个具体示例中，我会考虑在所需列的显式 for 循环中使用 fillna:

In [31]: df = pd.DataFrame([[1, 2, np.nan], [4, np.nan, 6]], columns=['A', 'B', 'C'])

In [32]: for col in ["A", "B"]:
   ....:     df[col].fillna(df[col].mean(), inplace=True)
   ....:

In [33]: df
Out[33]:
   A  B   C
0  1  2 NaN
1  4  2   6

(也许 fillna 对于这个用例有 columns 参数是有意义的？)

所有这些并不是说 pandas 的内存效率低下......但有时必须考虑高效(和内存高效)的代码。

*apply 通常不会在适当的地方有意义(并且 IMO 很少需要这种行为)。