本章将概述高效代码的重要性，并介绍如何高效选择特定与随机的行和列。

高效编码的必要性 I

time.time() 测量的是什么？

计时测量 I

时间测量 II

定位行：.iloc[] 和 .loc[]

行选择：loc[] 与 iloc[]

列选择：.iloc[] 与按列名

选择随机行

随机行选择

随机选择列

高效选择列与行

本章讲解 replace() 函数的用法，演示如何使用列表与字典替换单个或多个值。

使用 .replace() 替换标量值

替换标量值 I

替换标量值 II

使用列表替换值

替换多个值 I

替换多个值 II

使用字典替换值

替换单个值 I

替换单个值 II

替换多个值 III

标量替换的最高效方法

替换 DataFrame 中的值

本章介绍在 pandas DataFrame 中进行迭代的多种方式，并说明为什么向量化是最为高效的实现方式。

使用 .iterrows() 函数进行循环

为 pandas DataFrame 创建一个生成器

用于循环的 iterrows() 函数

使用 .apply() 函数进行循环

.apply() 函数作用于每个单元格

使用 .apply() 迭代行

对 pandas Series 的向量化运算

为什么在 pandas 中向量化这么快？

pandas 向量化实战

使用 .values() 将 NumPy 数组向量化

最佳向量化方法

对 DataFrame 循环的向量化方法

高效迭代

本章介绍 groupby() 函数，以及如何用它就地变换数值、替换缺失值，并在分组层面应用复杂函数。

使用 .groupby().transform 进行数据变换

使用 .transform() 的最小-最大归一化

将数值转换为概率

标准化的验证

何时使用 transform()?

使用 transform() 填补缺失值

识别缺失值

缺失值填补

使用 filter() 函数进行数据筛选

何时使用过滤（filtration）？

数据过滤

恭喜您！

使用 .groupby() 进行数据操作

Poker

Popular Baby Names

Restaurant

高效处理大型数据集并提取有价值的信息，是每位数据科学从业者不可或缺的能力。处理少量数据时，您往往感觉不到代码执行的迟缓。本课程将在您已有的 Python 与 pandas 知识之上，带您掌握 pandas 内置的高效函数，以更快完成各类任务。借助 pandas 的内置函数，您可以更快地完成从最基础的目标定位（如选取特定记录和特征）到更复杂的操作（如对记录分组后应用函数），远胜于常规的 Python 方法。通过本课程，您将能够基于特征值对数据应用函数、快速遍历大型数据集，并高效地处理不同分组的数据。您还会在多种真实数据集（如扑克牌组合、餐厅小费等）上实践这些方法。

对 pandas Series 的向量化运算

Create Your Free Account