pandas 是源于NumPy 的一種python庫(kù)，主要是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的。pandas為我們提供了大量簡(jiǎn)單便捷地處理數(shù)據(jù)的函數(shù)和方法。今天小編給大家分享的就是：快速解釋如何使用pandas的inplace參數(shù)，希望對(duì)大家學(xué)習(xí)和使用pandas有所幫助。

以下文章來(lái)源： DeepHub IMBA

作者：P**nHub兄弟網(wǎng)站

介紹

在操作dataframe時(shí)，初學(xué)者有時(shí)甚至是更高級(jí)的數(shù)據(jù)科學(xué)家會(huì)對(duì)如何在pandas中使用inplace參數(shù)感到困惑。

更有趣的是，我看到的解釋這個(gè)概念的文章或教程并不多。它似乎被假定為知識(shí)或自我解釋的概念。不幸的是，這對(duì)每個(gè)人來(lái)說(shuō)都不是那么簡(jiǎn)單，因此本文試圖解釋什么是inplace參數(shù)以及如何正確使用它。

讓我們來(lái)看看一些使用inplace的函數(shù)的例子:

fillna()dropna()sort_values()reset_index()sort_index()rename()

我已經(jīng)創(chuàng)建了這個(gè)列表，可能還有更多的函數(shù)使用inplace作為參數(shù)。我沒(méi)有記住所有這些函數(shù)，但是作為參數(shù)的幾乎所有pandas DataFrame函數(shù)都將以類(lèi)似的方式運(yùn)行。這意味著在處理它們時(shí)，您將能夠應(yīng)用本文將介紹的相同邏輯。

創(chuàng)建一個(gè)示例DataFrame

為了說(shuō)明inplace的用法，我們將創(chuàng)建一個(gè)示例DataFrame。

 import pandas as pd
 import numpy as np
 client_dictionary = {'name': ['Michael', 'Ana', 'Sean', 'Carl', 'Bob'],
                      'second name': [None, 'Angel', 'Ben', 'Frank', 'Daniel'],
                      'birth place': ['New York', 'New York', 'Los Angeles', 'New York', 'New York'],
                      'age': [10, 35, 56, None, 28],
                      'number of children': [0, None, 2, 1, 1]}
 df = pd.DataFrame(client_dictionary)
 df.head()

我們創(chuàng)建了一個(gè)數(shù)據(jù)框架，該數(shù)據(jù)框架有5行，列如下: name, second name, birthplace,age,number of children。注意，age、second name和children列中有一些缺失值(nan)。

現(xiàn)在我們將演示dropna()函數(shù)如何使用inplace參數(shù)工作。因?yàn)槲覀兿胍獧z查兩個(gè)不同的變體，所以我們將創(chuàng)建原始數(shù)據(jù)框架的兩個(gè)副本。

 df_1 = df.copy()
 df_2 = df.copy()

下面的代碼將刪除所有缺少值的行。

 df_1.dropna(inplace=True)

如果您在Jupyter notebook中運(yùn)行此操作，您將看到單元格沒(méi)有輸出。這是因?yàn)閕nplace=True函數(shù)不返回任何內(nèi)容。它用所需的操作修改現(xiàn)有的dataframe，并在原始dataframe上“就地”（inplace）執(zhí)行。

如果在dataframe上運(yùn)行head()函數(shù)，應(yīng)該會(huì)看到有兩行被刪除。

 df_1.head()

現(xiàn)在我們用inplace = False運(yùn)行相同的代碼。注意，這次我們將使用df_2版本的df

 df_2.dropna(inplace=False)

如果您在Jupyter notebook中運(yùn)行此代碼，您將看到有一個(gè)輸出(上面的屏幕截圖)。inplace = False函數(shù)將返回包含刪除行的數(shù)據(jù)。

記住，當(dāng)inplace被設(shè)置為T(mén)rue時(shí)，不會(huì)返回任何東西，但是原始數(shù)據(jù)被修改了。

那么這一次原始數(shù)據(jù)會(huì)發(fā)生什么呢?讓我們調(diào)用head()函數(shù)進(jìn)行檢查。

 df_2.head()

原始數(shù)據(jù)不變!那么發(fā)生了什么?

當(dāng)您使用inplace=True時(shí)，將創(chuàng)建并更改新對(duì)象，而不是原始數(shù)據(jù)。如果您希望更新原始數(shù)據(jù)以反映已刪除的行，則必須將結(jié)果重新分配到原始數(shù)據(jù)中，如下面的代碼所示。

 df_2 = df_2.dropna(inplace=False)

這正是我們?cè)谑褂胕nplace=True時(shí)所做的。是的，最后一行代碼等價(jià)于下面一行:

 df_2.dropna(inplace=True)

后者更優(yōu)雅，并且不創(chuàng)建中間對(duì)象，然后將其重新分配給原始變量。它直接改變?cè)紨?shù)據(jù)框架，因此，如果需要改變?cè)紨?shù)據(jù)，那么inplace=True是首選。

那么，為什么會(huì)有在使用inplace=True產(chǎn)生錯(cuò)誤呢?我不太確定，可能是因?yàn)橛行┤诉€不知道如何正確使用這個(gè)參數(shù)。讓我們看看一些常見(jiàn)的錯(cuò)誤。

常見(jiàn)錯(cuò)誤

使用inplace = True處理一個(gè)片段

如果我們只是想去掉第二個(gè)name和age列中的NaN，而保留number of children列不變，我們?cè)撛趺崔k?

我見(jiàn)過(guò)有人這樣做:

 df[['second name', 'age']].dropna(inplace=True)

這會(huì)拋出以下警告。

這個(gè)警告之所以出現(xiàn)是因?yàn)镻andas設(shè)計(jì)師很好，他們實(shí)際上是在警告你不要做你可能不想做的事情。該代碼正在更改只有兩列的dataframe，而不是原始數(shù)據(jù)框架。這樣做的原因是，您選擇了dataframe的一個(gè)片段，并將dropna()應(yīng)用到這個(gè)片段，而不是原始dataframe。

為了糾正它，可以這樣使用

 df.dropna(inplace=True, subset=['second name', 'age'])
 df.head()

這樣就可以將dataframe中刪除第二個(gè)name和age列中值為空的行。

將變量值賦給inplace= True的結(jié)果

 df = df.dropna(inplace=True)

這又是你永遠(yuǎn)不應(yīng)該做的事情!你只需要將None重新賦值給df。記住，當(dāng)你使用inplace=True時(shí)，什么也不會(huì)返回。因此，這段代碼的結(jié)果是將把None分配給df。

總結(jié)

我希望本文為您揭開(kāi)inplace參數(shù)的神秘面紗，您將能夠在您的代碼中正確地使用它。