快速解释如何使用pandas的inplace参数的使用_Python

介绍

在操作数据帧时，初学者有时甚至是更高级的数据科学家会对如何在pandas中使用inplace 参数感到困惑。

更有趣的是，我看到的解释这个概念的文章或教程并不多。它似乎被假定为知识或自我解释的概念。不幸的是，这对每个人来说都不是那么简单，因此本文试图解释什么是inplace参数以及如何正确使用它。

让我们来看看一些使用inplace的函数的例子:

fillna()
dropna()
sort_values()
reset_index()
sort_index()
rename()

我已经创建了这个列表，可能还有更多的函数使用inplace作为参数。我没有记住所有这些函数，但是作为参数的几乎所有pandas DataFrame函数都将以类似的方式运行。这意味着在处理它们时，您将能够应用本文将介绍的相同逻辑。

创建一个示例DataFrame

为了说明inplace的用法，我们将创建一个示例DataFrame。

									import pandas as pd

									import numpy as np

									client_dictionary = {'name': ['Michael', 'Ana', 'Sean', 'Carl', 'Bob'], 

									           'second name': [None, 'Angel', 'Ben', 'Frank', 'Daniel'],

									           'birth place': ['New York', 'New York', 'Los Angeles', 'New York', 'New York'],

									           'age': [10, 35, 56, None, 28],

									           'number of children': [0, None, 2, 1, 1]}

									df = pd.DataFrame(client_dictionary)

									df.head()

快速解释如何使用pandas的inplace参数的使用

我们创建了一个数据框架，该数据框架有5行，列如下: name, second name, birthplace,age,number of children。注意，age、second name和children列中有一些缺失值(nan)。

现在我们将演示dropna()函数如何使用inplace参数工作。因为我们想要检查两个不同的变体，所以我们将创建原始数据框架的两个副本。

1 2	`df_1` `=` `df.copy()` `df_2` `=` `df.copy()`

下面的代码将删除所有缺少值的行。

1	`df_1.dropna(inplace=True)`

如果您在Jupyter notebook中运行此操作，您将看到单元格没有输出。这是因为inplace=True函数不返回任何内容。它用所需的操作修改现有的数据帧，并在原始数据帧上“就地”（inplace）执行。

如果在数据帧上运行head()函数，应该会看到有两行被删除。

1	`df_1.dropna(inplace=True)`

现在我们用inplace = False运行相同的代码。注意，这次我们将使用df_2版本的df

1	`df_2.dropna(inplace=False)`

快速解释如何使用pandas的inplace参数的使用

如果您在Jupyter notebook中运行此代码，您将看到有一个输出(上面的屏幕截图)。inplace = False函数将返回包含删除行的数据。

记住，当inplace被设置为True时，不会返回任何东西，但是原始数据被修改了。

那么这一次原始数据会发生什么呢?让我们调用head()函数进行检查。

1	`df_2.head()`

快速解释如何使用pandas的inplace参数的使用

原始数据不变!那么发生了什么?

当您使用inplace=True时，将创建并更改新对象，而不是原始数据。如果您希望更新原始数据以反映已删除的行，则必须将结果重新分配到原始数据中，如下面的代码所示。

1	`df_2` `=` `df_2.dropna(inplace=False)`

这正是我们在使用inplace=True时所做的。是的，最后一行代码等价于下面一行:

1	`df_2.dropna(inplace=True)`

后者更优雅，并且不创建中间对象，然后将其重新分配给原始变量。它直接改变原始数据框架，因此，如果需要改变原始数据，那么inplace=True是首选。

那么，为什么会有在使用inplace=True产生错误呢?我不太确定，可能是因为有些人还不知道如何正确使用这个参数。让我们看看一些常见的错误。

常见错误

使用inplace = True处理一个片段

如果我们只是想去掉第二个name和age列中的NaN，而保留number of children列不变，我们该怎么办?

我见过有人这样做:

1	`df[['second name',` `'age']].dropna(inplace=True)`

这会抛出以下警告。

快速解释如何使用pandas的inplace参数的使用

这个警告之所以出现是因为Pandas设计师很好，他们实际上是在警告你不要做你可能不想做的事情。该代码正在更改只有两列的dataframe，而不是原始数据框架。这样做的原因是，您选择了dataframe的一个片段，并将dropna()应用到这个片段，而不是原始dataframe。

为了纠正它，可以这样使用

1 2	`df.dropna(inplace=True, subset=['second name',` `'age'])` `df.head()`

快速解释如何使用pandas的inplace参数的使用

这将导致从dataframe中删除第二个name和age列中值为空的行。

将变量值赋给inplace= True的结果

1	`df` `=` `df.dropna(inplace=True)`

这又是你永远不应该做的事情!你只需要将None重新赋值给df。记住，当你使用inplace=True时，什么也不会返回。因此，这段代码的结果是将把None分配给df。

总结

我希望本文为您揭开inplace参数的神秘面纱，您将能够在您的代码中正确地使用它。

到此这篇关于快速解释如何使用pandas的inplace参数的使用的文章就介绍到这了,更多相关pandas inplace参数内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！

原文链接：https://blog.csdn.net/m0_46510245/article/details/107480410

快速解释如何使用pandas的inplace参数的使用

相关文章

热门资讯