（數據科學學習手札134）pyjanitor：為pandas補充更多功能
本文示例代碼及文件已上傳至我的
Github倉庫//github.com/CNFeffery/DataScienceStudyNotes
1 簡介
pandas發展了如此多年，所包含的功能已經覆蓋了大部分數據清洗、分析場景，但仍然有着相當一部分的應用場景pandas中尚存空白亦或是現階段的操作方式不夠簡潔方便。
今天我要給大家介紹的Python庫pyjanitor就內置了諸多功能方法，可以在兼容pandas中數據框等數據結構的同時為pandas補充更多功能。它是對R中著名的數據清洗包janitor的移植，就如同它的名字那樣，幫助我們完成數據處理的清潔工作：
2 pyjanitor中的常用功能
對於使用conda的朋友，推薦使用下列命令完成pyjanitor的安裝，其中使用到上海交大的conda-forge鏡像：
conda install pyjanitor -c //mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/conda-forge -y
完成安裝後import janitor即可進行導入，接着我們就可以直接在pandas的代碼邏輯中穿插pyjanitor的各種API接口。
pyjanitor中的很多功能實際上跟pandas中的一些功能存在重疊，作為一位pandas老手，這部分功能費老師我還是傾向於使用pandas完成，因此下面我只給大家介紹一些pyjanitor中頗具特色的功能：
2.1 利用also()方法穿插執行任意函數
熟悉pandas鏈式寫法的朋友應該知道這種寫法對於處理數據和理清步驟有多高效，pyjanitor中的also()方法允許我們在鏈式過程中隨意插入執行任意函數，接受上一步狀態的數據框運算結果，且不影響對下一步處理邏輯的數據輸入，我非常喜歡這個功能，下面是一個簡單的例子：
df = (
# 構造示例數據框
pd.DataFrame({"a": [1, 2, 3], "b": list("abc")})
.query("a > 1")
# 利用also()插入lambda函數接受上一步的輸入對象
.also(lambda df: print(f"a字段<=1的記錄有{df.query('a <= 1').shape[0]}行"))
.rename(columns={'a': 'new_a'})
# 利用also()實現中間計算結果的導出
.also(lambda df: df.to_csv("temp.csv", index=False))
# 利用also()打印到這一步時數據框計算結果的字段名
.also(
lambda df: print(f"字段名：{df.columns.tolist()}")
)
.drop(columns='b')
)
df
2.2 利用case_when()方法實現多條件分支
pyjanitor中的case_when()方法可以幫助我們針對數據框實現類似SQL中的的多條件分支運算，注意，因為是多條件分支，所以包含最後的「其他」條件在內，需要至少定義3條分支規則，參考下面的例子：
df = pd.DataFrame(
{
"a": [0, 0, 1, 2],
"b": [0, 3, 4, 5],
"c": [6, 7, 8, 9],
}
)
df.case_when(
((df.a == 0) & (df.b == 0)), '類別1',
((df.a == 0) & (df.b != 0)), '類別2',
# 其他情況
'類別3',
column_name="類別",
)
2.3 利用conditional_join()實現條件連接
pyjanitor中的conditional_join()非常地好用，它彌補了pandas一直以來都未完善的「條件連接」功能，即我們對兩張表進行連接的條件，不只pandas中的merge()、join()之類的方法所實現的，左表與右表的指定字段之間相等這樣簡單的條件判斷，而是可高度自定義的條件判斷。
conditional_join()在作為方法使用時，其第一個參數應傳入連接中的右表數據框，緊接着的是若干個格式為(左表字段, 右表字段, 判斷條件)這樣的三元組來定義單條或多條條件判斷的且組合，之後再用於定義連接方式how參數。
下面是一個示例，這裡我們實現生信中常見的一種數據分析操作，左表和右表各自定義了一些區間段，我們利用條件連接來為左表找到右表中完全被其包住的區間：
# 定義示例左表
df_left = pd.DataFrame({
'id': list('abcd'),
'left_range_start': [2, 9, 14, 30],
'left_range_end': [5, 11, 21, 35]
})
# 定義示例右表
df_right = pd.DataFrame({
'id': list('ijxy'),
'right_range_start': [2, 6, 15, 28],
'right_range_end': [3, 10, 18, 31]
})
進行條件連接：
(
df_left
.conditional_join(
df_right,
# 滿足left_range_start <= right_range_start
('left_range_start', 'right_range_start', '<='),
# 且滿足left_range_end >= right_range_end
('left_range_end', 'right_range_end', '>=')
)
)
連接結果如下：
2.4 利用move()方法快捷完成字段位置調整
pyjanitor中的move()方法用於快捷調整某行或某列數據的位置，通過source參數指定需要移動的數據行index或列的字段名，target參數用於指定移動的目標位置數據行index或列的字段名，position用於設置移動方式（'before'表示移動到目標之前一個位置，after表示後一個位置），axis用於設定移動方式（0表示行移動，1表示列移動）。
以最常用的列移動為例：
而除了上述這些頗具特色的功能外，pyjanitor中還針對生信、化學、金融、機器學習、數學等領域內置了一些特別的功能，感興趣的朋友可以前往其官網//pyjanitor-devs.github.io/pyjanitor/進一步了解相關內容。
以上就是本文的全部內容，歡迎在評論區與我進行討論~
