本文共 1785 字，大约阅读时间需要 5 分钟。

python_链式编程技术_管道技术

Techniques for Method Chaining# 12.3 链式编程技术# 当对数据集进⾏⼀系列变换时，你可能发现创建的多个临时变量# 其实并没有在分析中⽤到。看下⾯的例⼦：df = load_data()df2 = df[df['col2'] < 0]df2['col1_demeaned'] = df2['col1'] - df2['col1'].mean()result = df2.groupby('key').col1_demeaned.std()虽然这⾥没有使⽤真实的数据，这个例⼦却指出了⼀些新⽅法。 ⾸先，DataFrame.assign⽅法是⼀个df[k] = v形式的函数式的列 分配⽅法。它不是就地修改对象，⽽是返回新的修改过的 DataFrame。因此，下⾯的语句是等价的：# Usual non-functional waydf2 = df.copy()df2['k'] = v# Functional assign waydf2 = df.assign(k=v)result = (df2.assign(col1_demeaned=df2.col1 - df2.col2.mean())          .groupby('key')          .col1_demeaned.std())我使⽤外括号，这样便于添加换⾏符。使⽤链式编程时要注意，你可能会需要涉及临时对象。在前⾯的例⼦中，我们不能使⽤load_data的结果，直到它被赋值给临时变量df。为了这么做，assign和许多其它pandas函数可以接收类似函数的参数，即可调⽤对象（callable）。为了展示可调⽤对象，看⼀个前⾯例⼦的⽚段：```pythondf = load_data()df2 = df[df['col2'] < 0]

df = (load_data()

[lambda x: x[‘col2’] < 0]) result = (load_data() [lambda x: x.col2 < 0] .assign(col1_demeaned=lambda x: x.col1 - x.col1.mean()) .groupby(‘key’) .col1_demeaned.std()) The pipe Method 管道⽅法 你可以⽤Python内置的pandas函数和⽅法，⽤带有可调⽤对象 的链式编程做许多⼯作。但是，有时你需要使⽤⾃⼰的函数，或 是第三⽅库的函数。这时就要⽤到管道⽅法。 看下⾯的函数调⽤：

a = f(df, arg1=v1)b = g(a, v2, arg3=v3)c = h(b, arg4=v4)

当使⽤接收、返回Series或DataFrame对象的函数式，你可以调

⽤pipe将其重写：

result = (df.pipe(f, arg1=v1)          .pipe(g, v2, arg3=v3)          .pipe(h, arg4=v4))

f(df)和df.pipe(f)是等价的，但是pipe使得链式声明更容易。

pipe的另⼀个有⽤的地⽅是提炼操作为可复⽤的函数。看⼀个从 列减去分组⽅法的例⼦：

g = df.groupby(['key1', 'key2'])df['col1'] = df['col1'] - g.transform('mean')

假设你想转换多列，并修改分组的键。另外，你想⽤链式编程做

这个转换。下⾯就是⼀个⽅法：

def group_demean(df, by, cols):    result = df.copy()    g = df.groupby(by)    for c in cols:        result[c] = df[c] - g[c].transform('mean')    return result

result = (df[df.col1 < 0]

.pipe(group_demean, [‘key1’, ‘key2’], [‘col1’])) pd.options.display.max_rows = PREVIOUS_MAX_ROWS Conclusion

转载地址：http://fnrg.baihongyu.com/