1. 簡介

我們在利用pandas開展數(shù)據(jù)分析時(shí)，應(yīng)盡量避免過于「碎片化」的組織代碼，尤其是創(chuàng)建出過多不必要的「中間變量」，既浪費(fèi)了「內(nèi)存」，又帶來了關(guān)于變量命名的麻煩，更不利于整體分析過程代碼的可讀性，因此以流水線方式組織代碼非常有必要。

[[350930]]

圖1

而在以前我撰寫的一些文章中，為大家介紹過pandas中的eval()和query()這兩個(gè)幫助我們鏈?zhǔn)綍鴮懘a，搭建數(shù)據(jù)分析工作流的實(shí)用API，再加上下面要介紹的pipe()，我們就可以將任意pandas代碼完美組織成流水線形式。

2.  在pandas中靈活利用pipe()pipe()

顧名思義，就是專門用于對Series和DataFrame操作進(jìn)行流水線(pipeline)改造的API，其作用是將嵌套的函數(shù)調(diào)用過程改造為「鏈?zhǔn)健惯^程，其第一個(gè)參數(shù)func傳入作用于對應(yīng)Series或DataFrame的函數(shù)。

具體來說pipe()有兩種使用方式，「第一種方式」下，傳入函數(shù)對應(yīng)的第一個(gè)位置上的參數(shù)必須是目標(biāo)Series或DataFrame，其他相關(guān)的參數(shù)使用常規(guī)的「鍵值對」方式傳入即可，就像下面的例子一樣，我們自編函數(shù)對「泰坦尼克數(shù)據(jù)集」進(jìn)行一些基礎(chǔ)的特征工程處理：

import pandas as pd 
 
train = pd.read_csv('train.csv') 
 
def do_something(data, dummy_columns): 
    ''' 
    自編示例函數(shù) 
    ''' 
 
    data = ( 
        pd 
        # 對指定列生成啞變量 
        .get_dummies(data, # 先刪除data中指定列 
                     columns=dummy_columns, 
                     drop_first=True) 
    ) 
     
    return data 
 
# 鏈?zhǔn)搅魉€ 
( 
    train 
    # 將Pclass列轉(zhuǎn)換為字符型以便之后的啞變量處理 
    .eval('PclassPclass=Pclass.astype("str")', engine='python') 
    # 刪除指定列 
    .drop(columns=['PassengerId', 'Name', 'Cabin', 'Ticket']) 
    # 利用pipe以鏈?zhǔn)降姆绞秸{(diào)用自編函數(shù) 
    .pipe(do_something,  
          dummy_columns=['Pclass', 'Sex', 'Embarked']) 
    # 刪除含有缺失值的行 
    .dropna() 
) 

可以看到，在緊接著drop()下一步的pipe()中，我們將自編函數(shù)作為其第一個(gè)參數(shù)傳入，從而將一系列操作巧妙地嵌入到鏈?zhǔn)竭^程中。

「第二種使用方式」適合目標(biāo)Series和DataFrame不為傳入函數(shù)第一個(gè)參數(shù)的情況，譬如下面的例子中我們假設(shè)目標(biāo)輸入數(shù)據(jù)為第二個(gè)參數(shù)data2，則pipe()的第一個(gè)參數(shù)應(yīng)以(函數(shù)名, '參數(shù)名稱')的格式傳入：

def do_something(data1, data2, axis): 
    ''' 
    自編示例函數(shù) 
    ''' 
 
    data = ( 
        pd 
        .concat([data1, data2], axisaxis=axis) 
    ) 
     
    return data 
 
# pipe()第二種使用方式 
( 
    train 
    .pipe((do_something, 'data2'), data1=train, axis=0) 
) 

在這樣的設(shè)計(jì)下我們可以避免很多函數(shù)嵌套調(diào)用方式，隨心所欲地優(yōu)化我們的代碼~