
作者:豆豆
来源:Python 技术
众所周知,Pytnon 非常擅长处理数据,尤其是后期数据的清洗工作。今天派森酱就给大家介绍一款处理数据的神器 Pipe。
简言之,Pipe 是 Python 的一个三方库。
通过 Pipe 我们可以将一个函数的处理结果传递给另外一个函数,这意味着你的代码会非常简洁。
要使用 Pipe 需要提前安装,直接使用 pip 安装即可。
pip install pipe
和 filter 类似,pipe 中的 where 操作可以过滤可迭代对象中的元素。
In [5]: numbers = [0, 1, 2, 3, 4, 5] In [6]: list(numbers | where(lambda x: x % 2 == 0)) Out[6]: [0, 2, 4]
类似 map,select 操作可以将函数作用于可迭代对象中的每个元素。下面的例子中我们将列表中的元素都扩大 2 倍。
In [8]: list(numbers | select(lambda x: x * 2)) Out[8]: [0, 2, 4, 6, 8, 10]
当然,还可以将多种操作合并在一起来玩。
下面的例子就是将列表中的偶数挑选出来并扩大 2 倍,和 filter 与 map 不同的是,pipe 可以将多个操作连接起来,就像水管套水管一样,所以我想管道这个名字也是很接地气了。
In [10]: list(numbers ...: | where(lambda x: x % 2 == 0) ...: | select(lambda x: x * 2) ...: ) ...: Out[10]: [0, 4, 8]
操作嵌套列表时非常痛苦,值得高兴的是 pipe 给出了很友好的接口,只需要 chain 一下即可。
In [11]: list([[1, 2], [3, 4], [5]] | chain) Out[11]: [1, 2, 3, 4, 5] In [30]: list((1, 2, 3) | chain_with([4, 5], [6])) Out[30]: [1, 2, 3, 4, 5, 6] In [31]: list((1, 2, 3) | chain_with([4, 5], [6,[7]])) Out[31]: [1, 2, 3, 4, 5, 6, [7]]
如你所见,chain 只可以拆开一层,如果要拆开多层嵌套的话,不要慌,traverse 轻松搞定。
In [12]: list([[1, 2], [[[3], [[4]]], [5]]] | traverse) Out[12]: [1, 2, 3, 4, 5]
结合 select 一起,获取字典中的某个字段属性集合。
In [32]: fruits = [
...: {"name": "apple", "price": [2, 5]},
...: {"name": "orange", "price": 4},
...: {"name": "grape", "price": 5},
...: ]
In [33]: list(fruits
...: | select(lambda fruit: fruit["price"])
...: | traverse)
...:
Out[33]: [2, 5, 4, 5]
对列表中的元素进行分组是必不可少的,在 pipe 中可以使用 groupby 来完成。
In [26]: list(numbers ...: | groupby(lambda x: 'Even' if x % 2 == 0 else 'Odd') ...: | select(lambda x: {x[0]: list(x[1])}) ...: ) ...: Out[26]: [{'Even': [0, 2, 4]}, {'Odd': [1, 3, 5]}]
同样,还可以在 select 中添加 where 过滤条件。
In [27]: list(numbers
...: | groupby(lambda x: 'Even' if x % 2 == 0 else 'Odd')
...: | select(lambda x: {x[0]: list(x[1] | where(lambda x: x > 2))})
...: )
...:
Out[27]: [{'Even': [4]}, {'Odd': [3, 5]}]
数据处理中时常会用到行列互相转换,尤其是在用 DataFrame 时,使用 pipe 一行代码搞定行列转换。
In [24]: [[1, 2, 3], [4, 5, 6], [7, 8, 9]] | transpose Out[24]: [(1, 4, 7), (2, 5, 8), (3, 6, 9)]
对列表去重也是一项常用的操作,在 pipe 中使用 dedup 来对列表进行去重。
In [28]: list([1, 1, 2, 2, 3, 3, 1, 2, 3] | dedup) Out[28]: [1, 2, 3]
与 dedup 不同的是,uniq 只会对连续的重复元素保留一个,非连续重复元素则不过滤。
In [29]: list([1, 1, 2, 2, 3, 3, 1, 2, 3] | uniq) Out[29]: [1, 2, 3, 1, 2, 3]
今天派森酱给大家介绍了一个处理数据的神器,使用管道可以让繁琐的操作浓缩在几行甚至一行代码搞定,提高可读性的同时还提升了代码的整洁程度,美滋滋~
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08