Pandas是Python中广泛使用的一个数据分析包。市场上有许多关于Pandas的经典教程，但是这篇文章介绍了一些隐藏的炫酷小提示，我相信这会对你有所帮助。

1.read_csv

它是读取数据的入门命令。如果要读取的数据量特别大，试着加上这个参数nrows=5，那么可以在加载所有数据之前，先读取一小部分。因此，您可以避免选择分隔符等错误了(数据不必全部以逗号分隔)。

然后，可以使用df.columns.tolist()提取每个列并将其转换为List。也可以加usecols=['c1','c2'，…]来加载指定的列。此外，如果您知道某些列的类型，那么您可以添加dtype={'c1':str,'c2':int，…}以加快载速度。加入这些参数的另一大好处是，如果一列中同时包含字符串和数值类型，并且提前声明将该列视为字符串，那么这一列作为主键来融合多个表时，就不会报错了。

2.select_dtypes

这条命令可以帮助您在已经在Python中完成数据预处理的情况下节省一些时间。读完表后，每个列的默认数据类型为bool、int64、float64、object、category、timedelta64或datetime64。

3.copy

输入以下命令：

您将发现df1已被更改。因为df2=df1不会产生df1的副本，也不会将它赋值给df2，而是设置一个指针指向df1。因此，只要df2发生了变化，那么df1也会相应地发生变化。

4.map

这条令人惊叹的命令可以轻松地进行数据转换。先定义一个dichary，“key”是转换之前的旧值，“values”是转换之后的新值。

一些合适的场景：将True、False转换为1、0(用于建模);定义级别;使用字典编码。

5.value counts

该命令用来检查分布的值。

这里有一些有用的提示/参数：

(1)normalize=True：查看每一值出现的频率，而非频次数。

(2)Dropna=False：将丢失的值保留在此统计数据中。

(3)sort=False：根据值而非按出现次数对数据进行排序。

(4)df['c].value_counts().reset_index()：将这个统计表转换成pandas的dataframe并且进行处理。

6.缺少值的数量

在建立一个模型时，我们可以删除包含太多缺失值或所有缺失值的行。此时.isnull()和.sum()可用于计算指定列中缺少值的数量。

以上就是小编列举的关于使用Pandas的小技巧。还有一种方法用于处理整数值与缺失值混淆的情况。若一列包含一个缺失值和一个整数值，则该列的数据类型将由int改为float。在导出表格时，您可以在float_format='%.0f'以便将所有的浮点数近似成整数。如果您希望将所有列的输出值转换为整数格式，那么可以使用此技巧，这样在告别所有数值时，您将不会有“.0”问题。