7 Способов Выполнения Выборки Данных в Pandas

В этом посте вы узнаете о различных способах выборки данных в Pandas. Получение выборки данных может быть чрезвычайно полезным, когда вы работаете с большими наборами данных, чтобы ваш анализ проходил более быстро. Если вы репрезентативно выбираете данные, вы можете работать с гораздо меньшим набором данных, что позволит провести анализ быстрее и при этом получить адекватные результаты.

В этом посте мы рассмотрим различные способы получения выборок из вашего DataFrame в Pandas. Вы узнаете, как использовать Pandas для выборки из вашего DataFrame, создания воспроизводимых выборок, взвешенных выборок и выборок с заменой. Вы также научитесь делать выборку с постоянной скоростью и выбирать элементы по условиям. В заключение, вы узнаете, как выбирать только случайные столбцы

Быстрый ответ: используйте Pandas .sample()

import pandas as pd

sample = df.sample(
    n=None,             # Количество записей для выборки
    frac=None,          # Доля записей для выборки
    replace=False,      # Выборка с возвращением
    weights=None,       # Применение весов из указанного столбца
    random_state=None,  # Создание воспроизводимых результатов
    axis=None,          # Выборка строк или столбцов
    ignore_index=False  # Сброс индекса
)

Оглавление

Загрузка нашего образца фрейма данных

Для этого руководства мы загрузим набор данных, который предварительно загружен в Seaborn. Если хотите узнать больше о загрузке данных в Seaborn, посмотрите мое руководство здесь. Если вы просто хотите следовать инструкциям здесь, выполните код ниже:

import pandas as pd
from seaborn import load_dataset

df = load_dataset('penguins')

print(df.head())

Это возвращает следующий датафрей

  species     island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
0  Adelie  Torgersen            39.1           18.7              181.0       3750.0    Male
1  Adelie  Torgersen            39.5           17.4              186.0       3800.0  Female
2  Adelie  Torgersen            40.3           18.0              195.0       3250.0  Female
3  Adelie  Torgersen             NaN            NaN                NaN          NaN     NaN
4  Adelie  Torgersen            36.7           19.3              193.0       3450.0  Female

В приведенном выше коде мы сначала загружаем Pandas как pd, а затем импортируем функцию load_dataset() из библиотеки Seaborn. Затем мы загружаем датасет penguins в наш датафрейм.

Нужно проверить, существует ли ключ в словаре Python? Ознакомьтесь с этим руководством, которое научит вас пяти разным способам проверки существования ключа в словаре Python, включая способ возвращения значения по умолчанию.

Использование Pandas Sample для создания выборки вашего Dataframe

Pandas предоставляет очень полезный метод для выборки данных. Метод вызывается с помощью .sample() и включает ряд полезных параметров, которые мы можем применить. Прежде чем перейти к примерам, давайте более подробно рассмотрим этот метод:

DataFrame.sample(
    n=None, 
    frac=None, 
    replace=False, 
    weights=None, 
    random_state=None, 
    axis=None, 
    ignore_index=False
)

Параметры дают нам следующие варианты:

  • n – количество элементов для выбор

  • frac – доля (из 1) элементов, которые возвращаются

  • replace – нужно ли выполнять выборку с заменой (т.е. элементы могут быть выбраны более одного раза

  • вес – по умолчанию образцы имеют равные веса. Можно применить серию, указывающую веса. Если они не суммируются до 1, они будут нормализованы до 1.

  • random_state – номер, используемый в качестве начального значения для получения воспроизвод

  • ось – ось для выбор

  • ignore_index – учитывать ли индекс при переименовании или нет

Давайте рассмотрим пример. Мы выберем 5% наших записей, указав frac=0.05 в качестве аргумента:

sample = df.sample(frac=0.05)
print(sample)

# Возвращает:
#        species     island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 23      Adelie     Biscoe            38.2           18.1              185.0       3950.0    Male
# 91      Adelie      Dream            41.1           18.1              205.0       4300.0    Male
# 190  Chinstrap      Dream            46.9           16.6              192.0       2700.0  Female
# 321     Gentoo     Biscoe            55.9           17.0              228.0       5600.0    Male
# 198  Chinstrap      Dream            50.1           17.9              190.0       3400.0  Female
# 170  Chinstrap      Dream            46.4           18.6              190.0       3450.0  Female
# 232     Gentoo     Biscoe            45.5           13.7              214.0       4650.0  Female
# 136     Adelie      Dream            35.6           17.5              191.0       3175.0  Female
# 179  Chinstrap      Dream            49.5           19.0              200.0       3800.0    Male
# 11      Adelie  Torgersen            37.8           17.3              180.0       3700.0     NaN
# 86      Adelie      Dream            36.3           19.5              190.0       3800.0    Male
# 249     Gentoo     Biscoe            50.0           15.3              220.0       5550.0    Male
# 205  Chinstrap      Dream            50.7           19.7              203.0       4050.0    Male
# 92      Adelie      Dream            34.0           17.1              185.0       3400.0  Female
# 286     Gentoo     Biscoe            46.2           14.4              214.0       4650.0     NaN
# 108     Adelie     Biscoe            38.1           17.0              181.0       3175.0  Female
# 299     Gentoo     Biscoe            45.2           16.4              223.0       5950.0    Male

Мы видим, что 5% данных фрейма выборочно. Первый столбец представляет собой индекс исходного фрейма данных. Мы можем видеть, что значения индекса выбираются случайным образом.

Совет: Если вы не хотите включать старый индекс, просто передайте аргумент ignore_index=True, который сбросит индекс с исходных значений.

В следующем разделе вы узнаете, как использовать Pandas для создания воспроизводимой выборки ваших данных.

Хотите узнать больше о циклах for в Python? Ознакомьтесь с моим углублённым руководством, которое позволит вам перейти от начинающего до продвинутого пользователя циклов for! Предпочитаете видео? Посмотрите мой урок на YouTube здесь.

Создание воспроизводимой случайной выборки в Pandas

На пути освоения науки о данных вы часто столкнетесь с ситуациями, в которых потребуется воспроизвести результаты вашего анализа. Поэтому при выборке данных с использованием Pandas очень полезно знать, как добиваться воспроизводимых результатов.

Во многих библиотеках для науки о данных вы найдете либо аргумент seed, либо random_state. В случае метода .sample() аргумент, который позволяет создавать воспроизводимые результаты, это аргумент

Чтобы это сработало, передайте целое число, чтобы сделать результат воспроизводимым. Давайте попробуем это с помощью Python:

# Создайте воспроизводимый образец с помощью random_state
sample = df.sample(n = 5, random_state = 1)
print(sample)

# Возвращает:
#   species  island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 306  Gentoo  Biscoe           43.4          14.4              218.0         4600.0  Female
# 341  Gentoo  Biscoe           50.4          15.7              222.0         5750.0    Male
# 291  Gentoo  Biscoe           46.4          15.6              221.0         5000.0    Male
# 102  Adelie  Biscoe           37.7          16.0              183.0         3075.0  Female
# 289  Gentoo  Biscoe           50.7          15.0              223.0         5550.0    Male

sample2 = df.sample(n = 5, random_state = 1)
print(sample2)
# Возвращает:
#   species  island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 306  Gentoo  Biscoe           43.4          14.4              218.0         4600.0  Female
# 341  Gentoo  Biscoe           50.4          15.7              222.0         5750.0    Male
# 291  Gentoo  Biscoe           46.4          15.6              221.0         5000.0    Male
# 102  Adelie  Biscoe           37.7          16.0              183.0         3075.0  Female
# 289  Gentoo  Biscoe           50.7          15.0              223.0         5550.0    Male

Мы можем видеть здесь, что, передавая одно и то же значение в аргумент random_state=, возвращается один и тот же результат.

Это позволяет нам создать образец в один день и получить те же результаты в другой день, что делает наши результаты и анализ гораздо более воспроизводимыми.

В следующем разделе вы узнаете, как применять веса к образцам в вашем DataFrame Pandas.

Хотите узнать, как использовать функцию Python zip() для итерации по двум спискам? Этот учебник подробно объясняет, что делает функция zip(), и показывает несколько креативных способов её использования.

Взвешенные образцы Pandas

Одной из весьма мощных возможностей метода .sample() в Pandas является возможность применять различные веса к определённым строкам, что позволяет увеличивать вероятность выбора некоторых строк по сравнению с другими.

Чтобы начать с этого примера, давайте рассмотрим типы пингвинов, которые имеются в нашем наборе данных:

print(df['species'].unique())

# Возвращает: ['Adelie' 'Chinstrap' 'Gentoo']

Если мы хотим увеличить вероятность выбора вида Chinstrap, можно применить веса к этим видам в другом столбце, используя метод Pandas .map(). Чтобы узнать больше о методе .map(), ознакомьтесь с моим подробным руководством по сопоставлению значений с другим столбцом здесь.

df['weights'] = df['species'].map({'Adelie': 20, 'Chinstrap': 60, 'Gentoo': 20})
sample = df.sample(n=5, weights='weights')
print(sample)

# Возвращает:
#       species    island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex  weights
# 163  Chinstrap     Dream           51.7          20.3              194.0         3775.0    Male       60
# 223     Gentoo    Biscoe           50.0          15.2              218.0         5700.0    Male       20
# 118     Adelie  Torgersen           35.7          17.0              189.0         3350.0  Female       20
# 217  Chinstrap     Dream           49.6          18.2              193.0         3775.0    Male       60
# 160  Chinstrap     Dream           46.0          18.9              195.0         4150.0  Female       60

Здесь мы видим, что вид Chinstrap выбирается гораздо чаще, чем другие виды.

Давайте разберем, что мы сделали здесь:

  1. Мы сопоставили в словаре веса со столбцом видов, используя метод map Pandas

  2. Затем мы передали наш новый столбец в аргумент weights как: weights='weights', что позволило Pandas использовать столбец для присвоения весов.

Некоторые важные вещи, которые нужно понимать об аргументе weights=

  • Значения весов должны суммироваться до 1.

  • Если значения не составляют 1, то Pandas нормализует их так, чтобы они составили.

В следующем разделе вы узнаете, как выбирать элементы из DataFrame с возвратом, что означает, что элементы могут быть выбраны более одного раза.

Хотите узнать, как получить расширение файла в Python? Этот учебник научит вас использовать библиотеки os и pathlib, чтобы сделать именно это!

Образец Pandas с заменами

Еще одной полезной функцией метода .sample() в Pandas является возможность выборки с возвращением, что означает, что элемент может быть выбран более одного раза.

Для этого мы можем использовать булевый аргумент replace=. По умолчанию он установлен в False, что означает, что элементы нельзя выбирать более одного раза. Однако, установив его в True, элементы возвращаются обратно в кучку для выбора, что позволяет нам выбирать их снова.

Чтобы продемонстрировать это, давайте работать с гораздо меньшим датафреймом. Мы отфильтруем наш датафрейм, чтобы он содержал только пять строк, чтобы увидеть, как часто выбирается каждая строка.

small_df = df.sample(n=5)
sample = small_df.sample(n=5, replace=True)
print(sample)

# Возвращает:
#       species  island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 162  Chinstrap   Dream           46.6          17.8              193.0         3800.0  Female
# 341     Gentoo  Biscoe           50.4          15.7              222.0         5750.0    Male
# 162  Chinstrap   Dream           46.6          17.8              193.0         3800.0  Female
# 45      Adelie   Dream           39.6          18.8              190.0         4600.0    Male
# 59      Adelie  Biscoe           37.6          19.1              194.0         3750.0    Male

Давайте разберём, что мы здесь сделали:

  1. Сначала мы вернули small_df, который содержал только пять строк из нашей оригинальной таблицы.

  2. Затем мы повторно выбрали пять записей из нашего датафрейма. Обычно это возвращает все пять записей. Однако, поскольку мы указали replace=True, Pandas смог выбрать каждую запись более одного раза.

  3. Из-за этого, запись 162 была возвращена дважды.

Интересно отметить, что можно вернуть выборку, превышающую исходный набор данных. Например, если мы установим аргумент frac= равным 1.2, нам нужно будет установить replace=True, так как мы получим 120% от исходных записей.

В следующем разделе вы узнаете, как проводить выборку с постоянной скоростью.

Pandas производит выборку каждого n-го элемента (выборка с постоянной скоростью)

Популярная техника выборки заключается в отборе каждого n-го элемента, что означает, что вы выполняете выборку с постоянной частотой.

Чтобы сделать это, мы можем использовать невероятно полезный метод .iloc из Pandas, который позволяет нам получать доступ к элементам, используя синтаксис среза. Чтобы узнать больше о .iloc для выбора данных.

В Python мы можем нарезать данные различными способами, используя нотацию срезов, которая следует следующему шаблону:

[start : end : step]

Если бы мы хотели выбрать каждую пятую запись, мы могли бы оставить параметры начала и конца пустыми (значит, они будут вырезать с начала до конца) и пропустить каждые 5 записей.

Давайте посмотрим, как это будет выглядеть.

sample = df[::5]

print(sample.head())

# Возвращает:
#    species     island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 0   Adelie  Torgersen            39.1           18.7              181.0       3750.0    Male
# 5   Adelie  Torgersen            39.3           20.6              190.0       3650.0    Male
# 10  Adelie  Torgersen            37.8           17.1              186.0       3300.0     NaN
# 15  Adelie  Torgersen            36.6           17.8              185.0       3700.0  Female
# 20  Adelie     Biscoe            37.8           18.3              174.0       3400.0  Female

Взглянув на индексы нашего датафрейма sample, мы можем увидеть, что он возвращает каждую пятую строку. Мы можем установить шаг для счетчика на любое желаемое значение.

В следующем разделе вы узнаете, как использовать Pandas для выборки элементов по заданному условию

Элементы выборки Pandas по условиям

Также вы можете выбрать строки из DataFrame Pandas с использованием условия, что позволяет возвратить все строки, которые соответствуют (или не соответствуют) определенному требованию. Для фильтрации DataFrame по условиям мы используем метод индексации [], где в квадратных скобках указывается требуемое условие.

Если мы хотим отфильтровать наш dataframe, чтобы выбрать только строки, где bill_length_mm меньше 35.

Мы можем написать:

condition = df['bill_length_mm'] < 35
sample = df[condition]

print(sample.head())

# Возвращает:
#   species    island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 8  Adelie  Torgersen            34.1           18.1              193.0         3475.0     NaN
# 14 Adelie  Torgersen            34.6           21.1              198.0         4400.0    Male
# 18 Adelie  Torgersen            34.4           18.4              184.0         3325.0  Female
# 54 Adelie     Biscoe            34.5           18.1              187.0         2900.0  Female
# 70 Adelie  Torgersen            33.5           19.0              190.0         3600.0  Female

Здесь мы можем видеть, что возвращены только те строки, где длина клюва была меньше 35.

Вместо того чтобы выделять условие на отдельную строку, мы могли бы просто объединить его и записать как sample = df[df['bill_length_mm'] < 35], чтобы сделать наш код более лаконичным.

Pandas также содержит унарный оператор ~, который инвертирует операцию. Мы можем использовать его, **чтобы выбирать только строки, не соответствующие нашему условию.

Давайте посмотрим, как это будет выглядеть:

sample = df[~(df['bill_length_mm'] < 35)]

print(sample.head())

# Возвращает:
#   species     island  bill_length_mm  bill_depth_mm  flipper_length_mm  body_mass_g     sex
# 0  Adelie  Torgersen            39.1           18.7              181.0       3750.0    Male
# 1  Adelie  Torgersen            39.5           17.4              186.0       3800.0  Female
# 2  Adelie  Torgersen            40.3           18.0              195.0       3250.0  Female
# 3  Adelie  Torgersen             NaN            NaN                NaN          NaN     NaN
# 4  Adelie  Torgersen            36.7           19.3              193.0       3450.0  Female

Здесь мы видим, что возвращаются только строки, где длина счета больше 35

В следующем разделе вы узнаете, как выбрать случайные столбцы из DataFrame в Pandas

Pandas Выборка Случайных Столбцов

В этом заключительном разделе вы узнаете, как использовать Pandas для выборки случайных столбцов вашего датафрейма. Это можно сделать с помощью метода Pandas .sample(), изменив параметр axis= на 1 вместо значения по умолчанию 0.

Давайте посмотрим, как мы можем сделать это с помощью Pandas и Python:

sample = df.sample(n=3,axis=1)

print(sample.head())

# Возвращает:
#    bill_depth_mm     sex  bill_length_mm
# 0           18.7    Male            39.1
# 1           17.4  Female            39.5
# 2           18.0  Female            40.3
# 3            NaN     NaN             NaN
# 4           19.3  Female            36.7

Здесь мы использовали Pandas, чтобы выбрать 3 случайных столбца из нашего датафрейма. В данном случае возвращаются все строки, но количество столбцов, которые мы выбираем, ограничено.

Заключение

В этом посте вы узнали все различные способы выборки из Pandas Dataframe. Вы узнали, как использовать метод Pandas .sample(), включая возвращение заданного количества строк или доли вашего датафрейма. Вы также узнали, как применять веса к вашим выборкам и как выбирать строки итеративно с постоянной частотой. Вы узнали, как выбирать строки, удовлетворяющие условию, и как выбирать случайные столбцы.

Чтобы узнать больше о выборке, ознакомьтесь с этой публикацией от Search Business Analytics.

Чтобы узнать больше о методе sample в Pandas, ознакомьтесь с официальной документацией здесь.

Last updated