这期内容当中小编将会给大家带来有关加速Python数据分析的小技巧分别有哪些，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
有时候，一点小小的黑客行为可以节省时间，挽救生命。一个小小的快捷方式或附加组件有时会被证明是天赐之物，并且可以真正提高生产力。所以，下面是我最喜欢的一些技巧，我以本文的形式一起使用和编译它们。其中，有些可能是相当有名的，有些可能是新的，但我相信下次您从事数据分析项目时，它们会非常有用。
Profiling 是一个帮助我们理解数据的程序，而 Pandas Profiling 正是实现这一点的一个 python 包。这是对 pandas 数据帧进行探索性数据分析的一种简单快速的方法。pandas df.describe()和 df.info()函数通常用作 EDA 过程的第一步。但是，它只提供了非常基本的数据概述，对于大型数据集没有太大帮助。另一方面，pandas 分析函数使用 df.profile_report()扩展 pandas 数据帧，以便快速进行数据分析。它用一行代码显示了大量信息，在交互式 HTML 报告中也显示了这些信息。对于给定的数据集，pandas 分析包计算以下统计信息：
Pandas Profiling 包计算统计信息
安装
pip install pandas-profiling --或者 conda install -c anaconda pandas-profiling
使用
让我们使用古老的 Titanic 数据集来演示通用的 Python 分析器的功能。
#importing the necessary packages import pandas as pd import pandas_profiling # Depreciated: pre 2.0.0 version df = pd.read_csv('titanic/train.csv') pandas_profiling.ProfileReport(df)注：在这篇文章发表一周后，Pandas-Profiling 发布了一个升级版本 2.0.0。其语法发生了一些变化，事实上，功能已经包含在 pandas 中，报告也变得更加全面。以下是最新的语法用法：
使用
要在 Jupyter notebook 中显示报告，请运行：
#Pandas-Profiling 2.0.0 df.profile_report()
这一行代码就是在 Jupyter notebook 中显示数据分析报告所需的全部代码。报告非常详细，必要时包括图表。
还可以将报告导出到具有以下代码的交互式 HTML 文件中。
profile = df.profile_report(title='Pandas Profiling Report') profile.to_file(outputfile="Titanic data profiling.html")
pandas 有一个内置的.plot()函数作为数据帧类的一部分。然而，用这个函数呈现的可视化并不是交互式的，这使得它不那么吸引人。相反，也不能排除使用 pandas.dataframe.plot()函数绘制图表的易用性。如果我们不需要对代码进行重大修改，就可以像绘制 pandas plots 那样绘出交互式图表呢?你可以在 Cufflinks 库的帮助下做到这一点。Cufflinks 将 plotly 的力量与 pandas 的灵活性结合起来，便于绘制。现在让我们来看看如何安装这个库并让它在 pandas 中工作。
安装
pip install plotly # Plotly is a pre-requisite before installing cufflinks pip install cufflinks
使用
#importing Pandas import pandas as pd #importing plotly and cufflinks in offline mode import cufflinks as cf import plotly.offline cf.go_offline() cf.set_config_file(offline=False, world_readable=True)
是时候用 Titanic 数据集来展示它的魔法了。
df.iplot()
df.iplot() vs df.plot()
右视图显示的是静态图表，左图表是交互式的，更详细地说，所有这一切在语法上都没有重大变化。
Magic 命令是 Jupyter notebook 中的一组方便的函数，旨在解决标准数据分析中的一些常见问题。在%lsmagic 的帮助下，您可以看到所有可用的 magic。
所有可用的 magic 函数列表
magic 命令有两种：行 magics(前缀为一个% 字符并在一行输入上操作)和单元 magics(用%% 前缀关联并在多行输入上操作)。如果设置为 1，则可以调用 magic 函数，而无需键入初始百分比。
让我们看看其中一些在常见数据分析任务中可能有用的功能：
% pastebin
%Pastebin 将代码上载到 Pastebin 并返回 URL。Pastebin 是一种在线内容托管服务，我们可以在其中存储纯文本(如源代码片段)，然后可以与其他人共享 URL。事实上，Github gist 也类似于 Pastebin，尽管有版本控制。
考虑使用包含以下内容的 python script file.py：
#file.py def foo(x): return x
使用 Jupyter notebook 中的%pastebin 生成 pastebin url
%matplotlib notebook
%matplotlib inline 函数用于呈现 Jupyter noteboo 中的静态 matplotlib 绘图。尝试用 notebook 替换内嵌部件，以轻松获得可缩放和可调整大小的绘图。确保在导入 Matplotlib 库之前调用了函数。
%matplotlib inline vs %matplotlib notebook
%run
%run 函数在 notebook 内运行 python 脚本。
%run file.py
%%writefile
%WriteFile 将单元格的内容写入文件。在这里，代码将被写入一个名为 foo 的文件，并保存在当前目录中。
%%latex
%%latex 函数将单元格内容呈现为 LaTeX。它可用于在单元中编写数学公式和方程。
interactive debugger 也是一个神奇的函数，但我已经为它提供了自己的一个类别。如果在运行代码单元时遇到异常，请在新行中键入%debug 并运行它。这将打开一个交互式调试环境，将您带到发生异常的位置。您还可以检查程序中分配的变量值，并在此处执行操作。要退出调试器，请单击 q。
如果您想为数据结构生成美观的表示，pprint 是你想要的模块，它在打印字典或 JSON 数据时特别有用。让我们来看一个使用 print 和 pprint 显示输出的示例。
我们可以在您的 Jupyter 笔记本中使用警告/注释框来突出显示重要的内容或任何需要突出显示的内容。注释的颜色取决于警报的类型。只需在需要突出显示的单元格中添加以下代码。
蓝色警报框：信息提示
<div class="alert alert-block alert-info"> <b>Tip:</b> Use blue boxes (alert-info) for tips and notes. If it’s a note, you don’t have to include the word “Note”. </div>
黄色警报框：警告
<div class="alert alert-block alert-warning"> <b>Example:</b> Yellow Boxes are generally used to include additional examples or mathematical formulas. </div>
绿色警报框：成功
<div class="alert alert-block alert-success"> Use green box only when necessary like to display links to related content. </div>
红色警报框：危险
<div class="alert alert-block alert-danger"> It is good to avoid red boxes but can be used to alert users to not delete some important part of code etc. </div>
7.打印单元格的所有输出
考虑一个包含以下代码行的 Jupyter notebook 单元：
In [1]: 10+5 11+6
Out [1]: 17
通常情况下，单元格中只有最后一个输出会被打印出来，对于其他输出，我们需要添加 print()函数。好吧，其实我们只需在 notebook 顶部添加以下代码片段就可以打印所有输出。
from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = "all"
现在所有的输出都被一个接一个地打印出来
In [1]: 10+5 11+6 12+7
Out [1]: 15 Out [1]: 17 Out [1]: 19
要恢复到原始设置：
InteractiveShell.ast_node_interactivity = "last_expr"
从命令行运行 python 脚本的一种典型方法是：python hello.py。但是，如果您在运行同一脚本(如 python)时添加了一个额外的-i hello.py，那么它提供了更多的优势。让我们看看怎么做。首先，只要程序不结束，python 就不会退出解释器。因此，我们可以检查变量的值以及程序中定义的函数的正确性。
其次，我们可以通过以下方式轻松调用 Python 调试器，因为我们仍在解释器中：
import pdb pdb.pm()
这将使我们进入异常发生的位置，然后我们可以处理代码。
查看来源可以点击这里。
ctrl/cmd+/自动将单元格中选定的行注释掉，再次点击组合将取消对同一行代码的注释。
你有没有不小心删除了 Jupyter notebook 上的一个单元的经历?如果有，那么这里有一个快捷方式可以撤消删除操作。如果删除了单元格的内容，则可以通过按 ctrl/cmd+z 轻松恢复该内容。如果需要恢复整个已删除单元格，请按 Esc+Z 或 EDIT > Undo 撤销删除单元格。
上述就是小编为大家分享的加速Python数据分析的小技巧分别有哪些了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
