app推广平台网站,wordpress上传网站,企业建设网站的方式有哪些,湖州建设局新网站文章概要
本文详细介绍 Pandas 的最佳实践#xff0c;包括#xff1a;
代码规范性能调优错误处理实际应用示例
代码规范
命名规范
# 变量命名
# 推荐
df_sales pd.DataFrame() # 使用 df_ 前缀表示 DataFrame
s_prices pd.Series() # 使用 s_ 前缀表示 Series
id…文章概要
本文详细介绍 Pandas 的最佳实践包括
代码规范性能调优错误处理实际应用示例
代码规范
命名规范
# 变量命名
# 推荐
df_sales pd.DataFrame() # 使用 df_ 前缀表示 DataFrame
s_prices pd.Series() # 使用 s_ 前缀表示 Series
idx_dates pd.date_range() # 使用 idx_ 前缀表示索引# 不推荐
data pd.DataFrame() # 过于笼统
p pd.Series() # 过于简短
dates pd.date_range() # 不够明确# 函数命名
# 推荐
def calculate_mean_sales(df):return df[sales].mean()def process_customer_data(df):return df.groupby(customer_id).agg({purchase_amount: sum,visit_count: count})# 不推荐
def mean(df): # 过于简短
def process(df): # 过于笼统
def do_something(df): # 不够具体代码结构
# 导入规范
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 常量定义
MAX_ROWS 1000
DEFAULT_CHUNK_SIZE 10000
DATE_FORMAT %Y-%m-%d# 工具函数
def load_data(file_path):加载数据文件Args:file_path (str): 数据文件路径Returns:pd.DataFrame: 加载的数据return pd.read_csv(file_path)def process_data(df):处理数据Args:df (pd.DataFrame): 输入数据Returns:pd.DataFrame: 处理后的数据# 数据清洗df clean_data(df)# 特征工程df engineer_features(df)# 数据验证validate_data(df)return df# 主函数
def main():# 加载数据df load_data(data.csv)# 处理数据df_processed process_data(df)# 保存结果df_processed.to_csv(processed_data.csv, indexFalse)if __name__ __main__:main()注释规范
def analyze_sales_data(df, group_byproduct, metricsNone):分析销售数据该函数用于分析销售数据计算各种统计指标。Args:df (pd.DataFrame): 销售数据group_by (str, optional): 分组字段. 默认为 product.metrics (list, optional): 需要计算的指标列表. 默认为 None.Returns:pd.DataFrame: 分析结果Raises:ValueError: 当输入数据为空时抛出KeyError: 当指定的列不存在时抛出Examples: df pd.DataFrame({product: [A, B], sales: [100, 200]}) result analyze_sales_data(df) print(result)# 参数验证if df.empty:raise ValueError(输入数据不能为空)if group_by not in df.columns:raise KeyError(f列 {group_by} 不存在)# 设置默认指标if metrics is None:metrics [sum, mean, count]# 计算统计指标result df.groupby(group_by).agg({sales: metrics,quantity: metrics})return result性能调优
代码优化
# 避免循环
# 不推荐
def calculate_total_sales(df):total 0for i in range(len(df)):total df.iloc[i][price] * df.iloc[i][quantity]return total# 推荐
def calculate_total_sales(df):return (df[price] * df[quantity]).sum()# 使用向量化操作
# 不推荐
def calculate_discount(df):for i in range(len(df)):if df.iloc[i][price] 100:df.iloc[i][discount] 0.1else:df.iloc[i][discount] 0.05# 推荐
def calculate_discount(df):df[discount] np.where(df[price] 100, 0.1, 0.05)# 使用 apply 而不是循环
# 不推荐
def process_categories(df):for i in range(len(df)):df.iloc[i][category] process_category(df.iloc[i][name])# 推荐
def process_categories(df):df[category] df[name].apply(process_category)内存管理
# 优化数据类型
def optimize_dtypes(df):优化 DataFrame 的数据类型以减少内存使用Args:df (pd.DataFrame): 输入数据Returns:pd.DataFrame: 优化后的数据# 优化数值类型for col in df.select_dtypes(include[int]).columns:df[col] pd.to_numeric(df[col], downcastinteger)for col in df.select_dtypes(include[float]).columns:df[col] pd.to_numeric(df[col], downcastfloat)# 优化分类数据for col in df.select_dtypes(include[object]).columns:if df[col].nunique() / len(df) 0.5: # 如果唯一值比例小于50%df[col] df[col].astype(category)return df# 清理内存
def clean_memory():清理内存import gcgc.collect()# 使用示例
df pd.DataFrame({id: range(1000000),value: np.random.randn(1000000),category: np.random.choice([A, B, C], 1000000)
})# 优化数据类型
df optimize_dtypes(df)# 清理内存
clean_memory()执行效率
# 使用适当的数据结构
# 不推荐
def find_duplicates(df):duplicates []for i in range(len(df)):for j in range(i1, len(df)):if df.iloc[i].equals(df.iloc[j]):duplicates.append(i)return duplicates# 推荐
def find_duplicates(df):return df[df.duplicated()].index.tolist()# 使用索引
# 不推荐
def filter_by_date(df, date):return df[df[date] date]# 推荐
def filter_by_date(df, date):df df.set_index(date)return df.loc[date]# 使用分块处理
def process_large_file(file_path, chunk_size10000):分块处理大文件Args:file_path (str): 文件路径chunk_size (int): 块大小Returns:pd.DataFrame: 处理结果results []for chunk in pd.read_csv(file_path, chunksizechunk_size):# 处理每个数据块processed_chunk process_chunk(chunk)results.append(processed_chunk)return pd.concat(results)错误处理
异常处理
# 基本异常处理
def safe_read_csv(file_path):安全读取 CSV 文件Args:file_path (str): 文件路径Returns:pd.DataFrame: 读取的数据Raises:FileNotFoundError: 文件不存在时抛出pd.errors.EmptyDataError: 文件为空时抛出try:df pd.read_csv(file_path)if df.empty:raise pd.errors.EmptyDataError(文件为空)return dfexcept FileNotFoundError:print(f文件 {file_path} 不存在)raiseexcept pd.errors.EmptyDataError:print(f文件 {file_path} 为空)raiseexcept Exception as e:print(f读取文件时发生错误: {str(e)})raise# 自定义异常
class DataValidationError(Exception):数据验证错误passdef validate_data(df):验证数据Args:df (pd.DataFrame): 输入数据Raises:DataValidationError: 数据验证失败时抛出# 检查必需列required_columns [id, name, value]missing_columns [col for col in required_columns if col not in df.columns]if missing_columns:raise DataValidationError(f缺少必需列: {missing_columns})# 检查数据类型if not pd.api.types.is_numeric_dtype(df[value]):raise DataValidationError(value 列必须是数值类型)# 检查空值if df[id].isnull().any():raise DataValidationError(id 列不能包含空值)数据验证
# 数据验证函数
def validate_numeric_range(df, column, min_valueNone, max_valueNone):验证数值范围Args:df (pd.DataFrame): 输入数据column (str): 列名min_value (float, optional): 最小值max_value (float, optional): 最大值Returns:bool: 验证是否通过if min_value is not None:if (df[column] min_value).any():return Falseif max_value is not None:if (df[column] max_value).any():return Falsereturn Truedef validate_categorical_values(df, column, allowed_values):验证分类值Args:df (pd.DataFrame): 输入数据column (str): 列名allowed_values (list): 允许的值列表Returns:bool: 验证是否通过return df[column].isin(allowed_values).all()# 使用示例
df pd.DataFrame({age: [20, 30, 40, 50],category: [A, B, C, D]
})# 验证年龄范围
is_valid_age validate_numeric_range(df, age, min_value0, max_value100)# 验证分类值
is_valid_category validate_categorical_values(df, category, [A, B, C])日志记录
# 日志记录
import logging# 配置日志
logging.basicConfig(levellogging.INFO,format%(asctime)s - %(name)s - %(levelname)s - %(message)s,filenamepandas_analysis.log
)def process_data_with_logging(df):带日志记录的数据处理Args:df (pd.DataFrame): 输入数据logger logging.getLogger(__name__)try:# 记录开始处理logger.info(f开始处理数据形状: {df.shape})# 数据清洗df clean_data(df)logger.info(数据清洗完成)# 特征工程df engineer_features(df)logger.info(特征工程完成)# 数据验证validate_data(df)logger.info(数据验证通过)return dfexcept Exception as e:logger.error(f处理数据时发生错误: {str(e)})raise总结
最佳实践部分涵盖了
代码规范命名规范、代码结构、注释规范性能调优代码优化、内存管理、执行效率错误处理异常处理、数据验证、日志记录实际应用示例
掌握这些最佳实践对于开发高质量的 Pandas 代码至关重要它可以帮助我们
提高代码可读性提升代码性能增强代码可靠性便于维护和协作
建议在实际项目中注意
遵循代码规范注重性能优化做好错误处理保持代码简洁编写清晰注释进行代码审查持续改进代码
