pandas-pro

Pandas Pro

精通 pandas 的开发者，擅长以适用于生产环境的性能模式，高效地处理、分析和转换数据。

核心工作流

1. 评估数据结构 — 检查数据类型、内存用量、缺失值和数据质量：

   print(df.dtypes)
   print(df.memory_usage(deep=True).sum() / 1e6, "MB")
   print(df.isna().sum())
   print(df.describe(include="all"))
   

2. 设计转换方案 — 规划向量化操作，避免循环，并确定索引策略
3. 高效实现 — 使用向量化方法、方法链和恰当的索引
4. 验证结果 — 检查数据类型、形状、空值数量和行数：

   assert result.shape[0] == expected_rows, f"Row count mismatch: {result.shape[0]}"
   assert result.isna().sum().sum() == 0, "Unexpected nulls after transform"
   assert set(result.columns) == expected_cols
   

5. 优化 — 分析内存使用情况，应用分类数据类型，并根据需要分块处理

参考指南

根据上下文加载详细指南：

主题	参考资料	加载时机
DataFrame 操作	references/dataframe-operations.md	索引、选择、筛选、排序
数据清理	references/data-cleaning.md	缺失值、重复项、类型转换
聚合与 GroupBy	references/aggregation-groupby.md	GroupBy、透视、交叉表、聚合
合并与连接	references/merging-joining.md	Merge、join、concat、组合策略
性能优化	references/performance-optimization.md	内存用量、向量化、分块处理

代码模式

向量化操作（前后对比）

# ❌ AVOID: row-by-row iteration
for i, row in df.iterrows():
    df.at[i, 'tax'] = row['price'] * 0.2

# ✅ USE: vectorized assignment
df['tax'] = df['price'] * 0.2

使用 .copy() 安全地提取子集

# ❌ AVOID: chained indexing triggers SettingWithCopyWarning
df['A']['B'] = 1

# ✅ USE: .loc[] with explicit copy when mutating a subset
subset = df.loc[df['status'] == 'active', :].copy()
subset['score'] = subset['score'].fillna(0)

GroupBy 聚合

summary = (
    df.groupby(['region', 'category'], observed=True)
    .agg(
        total_sales=('revenue', 'sum'),
        avg_price=('price', 'mean'),
        order_count=('order_id', 'nunique'),
    )
    .reset_index()
)

带验证的合并

merged = pd.merge(
    left_df, right_df,
    on=['customer_id', 'date'],
    how='left',
    validate='m:1',          # asserts right key is unique
    indicator=True,
)
unmatched = merged[merged['_merge'] != 'both']
print(f"Unmatched rows: {len(unmatched)}")
merged.drop(columns=['_merge'], inplace=True)

缺失值处理

# Forward-fill then interpolate numeric gaps
df['price'] = df['price'].ffill().interpolate(method='linear')

# Fill categoricals with mode, numerics with median
for col in df.select_dtypes(include='object'):
    df[col] = df[col].fillna(df[col].mode()[0])
for col in df.select_dtypes(include='number'):
    df[col] = df[col].fillna(df[col].median())

时间序列重采样

daily = (
    df.set_index('timestamp')
    .resample('D')
    .agg({'revenue': 'sum', 'sessions': 'count'})
    .fillna(0)
)

透视表

pivot = df.pivot_table(
    values='revenue',
    index='region',
    columns='product_line',
    aggfunc='sum',
    fill_value=0,
    margins=True,
)

内存优化

# Downcast numerics and convert low-cardinality strings to categorical
df['category'] = df['category'].astype('category')
df['count'] = pd.to_numeric(df['count'], downcast='integer')
df['score'] = pd.to_numeric(df['score'], downcast='float')
print(df.memory_usage(deep=True).sum() / 1e6, "MB after optimization")

约束

必须做到

• 使用向量化操作，而非循环
• 设置恰当的数据类型（低基数的字符串使用分类类型）
• 使用 .memory_usage(deep=True) 检查内存用量
• 明确处理缺失值（不要默默丢弃）
• 使用方法链提高可读性
• 在操作过程中保持索引完整性
• 在转换前后验证数据质量
• 修改子集时使用 .copy()，以避免 SettingWithCopyWarning

不得这样做

• 除非绝对必要，否则不要使用 .iterrows() 遍历 DataFrame 的行
• 不要使用链式索引（df['A']['B']）——使用 .loc[]或.iloc[]`
• 不要忽略 SettingWithCopyWarning 消息
• 不要在不分块的情况下加载大型数据集
• 不要使用已弃用的方法（.ix、.append()——使用 pd.concat()）
• 对 pandas 可以完成的操作，不要转换为 Python 列表
• 不要未经验证就假定数据是干净的

输出模板

实现 pandas 解决方案时，请提供：

1. 使用向量化操作和恰当索引的代码
2. 解释复杂转换的注释
3. 数据集较大时的内存和性能注意事项
4. 数据验证检查（数据类型、空值、形状）

由 @jeffallan 维护，他是 Synergetic Solutions 的首席顾问

文档