pandas中的4种if-else技术，你应该使用哪一种？

在pandas中进行数据整理通常涉及应用条件逻辑来转换和分类数据。在使用if-elif-else语句时，选择正确的方法对于效率和可读性都至关重要。在本文中，我们将通过pandas进行一次精彩的探索之旅，我们将探索实现if-elif-else逻辑的各种方法，同时根据员工的得分对他们的表现进行分类。

但是，这里有一个转折：我们不仅将探索这些技术，还将在性能对决中对它们进行测试。哪种方法将成为最快的冠军？加入我一起展开这次冒险，探索在pandas中使用if-elif-else的最高效方式。

数据集

为了演示这些技术，我们将使用一个包含有关员工绩效得分信息的虚构数据集。假设我们想根据他们的得分将他们的表现分为三组：“优秀”、“良好”和“需改进”。

import pandas as pd
import random

data = {
    'Employee_ID': range(1, 1_000_001),
    'Performance_Score': [random.randint(0, 100) for _ in range(1_000_000)]
}
df = pd.DataFrame(data)

方法1：使用apply()和自定义函数

将if-elif-else逻辑应用于pandas数据帧的一种常见且符合Python风格的方法是使用apply()方法和自定义函数。

import time

# store starting time 
begin = time.time() 

def categorize_performance(score):
    if score >= 90:
        return 'Excellent'
    elif 70 <= score < 90:
        return 'Good'
    else:
        return 'Needs Improvement'
    
df['Performance_Category'] = df['Performance_Score'].apply(categorize_performance)

end = time.time() 

print(f"Total runtime of the program is {end - begin}") 

#Total runtime of the program is 0.140 seconds 

• 创建了一个名为categorize_performance的用户定义函数，用于根据“Performance_Score”定义分类逻辑。

• 使用apply()方法将此函数应用于“Performance_Score”列中的每个元素。

• 结果是一个新列“Performance_Category”，其中包含基于定义的逻辑的类别。

这种方法提供了一种清晰而灵活的方式来实现自定义的分类逻辑。你可以轻松修改用户定义函数以适应更复杂的条件。

方法2：使用np.where()

由NumPy库提供的np.where()函数是一种用于高效if-else操作的矢量化方法。

begin = time.time() 

df['Performance_Category'] = np.where(df['Performance_Score'] >= 90, 'Excellent',
                                      np.where((df['Performance_Score'] >= 70) & (df['Performance_Score'] < 90), 'Good', 'Needs Improvement'))

end = time.time() 

print(f"Total runtime of the program is {end - begin}") 

# Total runtime of the program is 0.182 sec.

• 第一个参数np.where()是要检查的条件。

• 第二个参数是条件为真时要分配的值。

• 第三个参数是条件为假时要分配的值。

这种方法在一行内创建了一个嵌套的if-else结构，提供了一种简洁而易读的替代方案。

方法3：使用pd.cut()

Pandas中的pd.cut()方法是一种基于指定的区间进行分箱和分类数据的多功能工具。当你想要根据特定的范围定义类别时，该方法特别有用。

begin = time.time() 

bins = [0, 69, 89, 100]
labels = ['Needs Improvement', 'Good', 'Excellent']
df['Performance_Category'] = pd.cut(df['Performance_Score'], bins=bins, labels=labels)
end = time.time() 
print(f"Total runtime of the program is {end - begin}") 
# Total runtime of the program is 0.052858829498291016

• bins参数指定了分箱边缘，定义了分类的间隔。

• labels参数将标签分配给相应的分箱。

• 生成的“Performance_Category”列包含基于指定的分箱的类别标签。

这种方法简洁明了，为定义类别提供了清晰的结构，适用于希望自定义分箱范围的场景。

方法4：使用.loc[] — The Champion进行矢量化的if-else

这种方法利用了pandas的.loc[]访问器的矢量化能力，以高效地执行if-else操作。其思想是使用布尔条件在数据帧中过滤行和列，并相应地分配值。

begin = time.time() 


df.loc[df['Performance_Score'] >= 90, 'Performance_Category'] = 'Excellent'
df.loc[(df['Performance_Score'] >= 70) & (df['Performance_Score'] < 90), 'Performance_Category'] = 'Good'
df['Performance_Category'].fillna('Needs Improvement', inplace=True)

end = time.time() 

print(f"Total runtime of the program is {end - begin}") 


# Total runtime of the program is 0.016 seconds 

• 对于“Performance_Score”大于或等于90的行，第一行将“Performance_Category”设置为“Excellent”。

• 第二行将“Performance_Score”介于70和90（不包括）之间的行的“Performance_Category”设置为“Good”。

• 第三行用“Needs Improvement”填充“Performance_Category”中的其余NaN值。

这种方法利用了pandas有效处理布尔索引的能力，使其成为一种简洁易读的解决方案。

结论

在这篇博客中，我们探索了不同的方法来有效地将if-elif-else逻辑应用于Pandas数据帧。尽管选择的方法可能取决于具体的用例，但性能分析显示df.loc[]或pd.cut()对于较大的数据集通常是最高效的。然而，其他方法更灵活，可能在需要更复杂的条件逻辑或自定义分箱的情况下更受欢迎。

高效的代码不仅节省时间，还使你的数据处理任务更具可扩展性和可管理性。在选择适合你的pandas if-elif-else操作的最适当方法时，请考虑你的具体用例和数据集大小。

原文作者：Anmol Tomar
翻译作者：文杰
美工编辑：过儿
校对审稿：Jason
原文链接：https://medium.com/codex/4-if-else-techniques-in-pandas-which-one-you-should-be-using-276078019028