1. 简介

我们在利用pandas开展数据分析时，应尽量避免过于「碎片化」的组织代码，尤其是创建出过多不必要的「中间变量」，既浪费了「内存」，又带来了关于变量命名的麻烦，更不利于整体分析过程代码的可读性，因此以流水线方式组织代码非常有必要。

而在以前我撰写的一些文章中，为大家介绍过pandas中的eval()和query()这两个帮助我们链式书写代码，搭建数据分析工作流的实用API，再加上下面要介绍的pipe()，我们就可以将任意pandas代码完美组织成流水线形式。

2. 在pandas中灵活利用pipe()pipe()

顾名思义，就是专门用于对Series和DataFrame操作进行流水线(pipeline)改造的API，其作用是将嵌套的函数调用过程改造为「链式」过程，其第一个参数func传入作用于对应Series或DataFrame的函数。

具体来说pipe()有两种使用方式，「第一种方式」下，传入函数对应的第一个位置上的参数必须是目标Series或DataFrame，其他相关的参数使用常规的「键值对」方式传入即可，就像下面的例子一样，我们自编函数对「泰坦尼克数据集」进行一些基础的特征工程处理：

importpandasaspdtrain=pd.read_csv('train.csv')defdo_something(data,dummy_columns):'''自编示例函数'''data=(pd#对指定列生成哑变量.get_dummies(data,#先删除data中指定列columns=dummy_columns,drop_first=True))returndata#链式流水线(train#将Pclass列转换为字符型以便之后的哑变量处理.eval('PclassPclass=Pclass.astype("str")',engine='python')#删除指定列.drop(columns=['PassengerId','Name','Cabin','Ticket'])#利用pipe以链式的方式调用自编函数.pipe(do_something,dummy_columns=['Pclass','Sex','Embarked'])#删除含有缺失值的行.dropna())

可以看到，在紧接着drop()下一步的pipe()中，我们将自编函数作为其第一个参数传入，从而将一系列操作巧妙地嵌入到链式过程中。

「第二种使用方式」适合目标Series和DataFrame不为传入函数第一个参数的情况，譬如下面的例子中我们假设目标输入数据为第二个参数data2，则pipe()的第一个参数应以(函数名, '参数名称')的格式传入：

defdo_something(data1,data2,axis):'''自编示例函数'''data=(pd.concat([data1,data2],axisaxis=axis))returndata#pipe()第二种使用方式(train.pipe((do_something,'data2'),data1=train,axis=0))

在这样的设计下我们可以避免很多函数嵌套调用方式，随心所欲地优化我们的代码~

关键词： pandas 可读性