Pandas 教程——電影數據是乾淨的嗎(2)

Pandas 中除了對數據進行 刪除、去重 以達到數據清洗的目的，同時為了滿足更多的計算需求，增加新列也是很常見的操作。

如果邏輯關係比較簡單，可以直接對 Pandas 的兩列進行操作得到新的一列，比如：

movie_pd[total_score] = movie_pd[vote_count] * movie_pd[score]

更一般的方法是使用 for 循環，對 Pandas 的某一列或多列進行處理後，得到新的一列。

比如需要根據電影的評分增加電影評分等級 movie_level 新列 ，評分小於 7.5 分的等級是 B，7.5 到 9.0 之間的是 A，9.0 以上的是 S，寫法如下：

import pandas as pdmovie_pd = pd.read_csv(douban_movie.csv, header=0, sep= )movie_level_list = list()for i in movie_pd.index: score = movie_pd.loc[i, score] if score < 7.5: movie_level = B elif 7.5 <= score < 9.0: movie_level = A else: movie_level = S movie_level_list.append(movie_level)movie_pd[movie_level] = pd.Series(movie_level_list)print movie_pd[[score, movie_level]].head()

建議先新建一個列表 movie_level_list，在 for 循環中依次處理完後添加到列表中，然後使用 pd.Series 的方式添加新列即可。

部分輸出如下：

score movie_level0 9.5 S1 9.3 S2 9.3 S3 8.8 A4 8.8 A

當然，每次都用 for 循環添加新列的話，難免有些繁瑣，接下來介紹 2 個非常好用的函數，讓你在 Pandas 中添加新列只需要一行代碼。

• map( ) 函數：參數中可以傳入字典，也可以使用 lambda 表達式

比如 is_playable 欄位在 Pandas 中的值是 True/False

增加一列中文的新列，True 對應的值為 可以播放，False 對應的值為 不能播放，寫法如下：

movie_pd[playable_ch] = movie_pd[is_playable].map({True: 可以播放, False: 不能播放})

直接傳入字典 {True: 可以播放, False: 不能播放} 進去即可。

又比如電影評分 9.0 以上才我想看的，增加一列 want_watch，1 表示想看，0 表示不想看

movie_pd[want_watch] = movie_pd[score].map(lambda x: 1 if x >= 9.0 else 0)

使用 lambda 表達式，其中的 x 就相當於 for 循環時每次的 score 值。

接下來看一個具體的例子，根據電影的上映日期 release_date 和 評論人數 vote_count，計算每部電影每天的平均評價人數，代碼如下：

movie_pd[release_date] = pd.to_datetime(movie_pd[release_date])movie_pd[total_day] = movie_pd[release_date].map(lambda x: (datetime.now() - x).total_seconds() / (3600 * 24))movie_pd[daily_vote] = movie_pd[vote_count] / movie_pd[total_day]print movie_pd[[release_date, total_day, vote_count, daily_vote]].head()

首先，使用 to_datetime( ) 函數將 字元串類型 轉化為日期；

然後使用 map( ) 函數計算電影上映日期距離現在的時間差，並轉化為天數；

最後，vote_count 和 total_day 兩列直接相除得到 每部電影每天的平均評價人數。

結果如下：

release_date total_day vote_count daily_vote0 1993-01-01 9081.478783 629403 69.3062241 2016-06-19 511.478783 13516 26.4253392 2017-01-22 294.478783 739 2.5095193 1997-05-30 7471.478783 240127 32.1391534 1993-08-04 8866.478783 133193 15.022085

• cut( ) 函數：完美解決根據變數值劃分區間的問題

剛開始對電影評級的問題，現在可以這麼寫：

movie_pd[movie_level] = pd.cut(movie_pd[score], bins = [0, 7.5, 9.0, float(Inf)], labels = [B, A, S], right = False)

bins 參數為一個列表，表示劃分區間的臨界值，labels 為不同區間對應的值，right = False 表示前必後開，默認為 前開後必，所以最終的區間為：[0, 7.5) 對應值為 B，[7.5,9.0) 對應值為 A，9.0 及以上對應值為 S，float(Inf) 表示正無窮大。

劃重點：

• map( ) : 參數可以傳入字典 或 使用 lambda 表達式
• to_datetime( )：將 字元串類型 轉化為 日期類型
• cut( ) : 對數值型變數劃分區間

上一節：Pandas 教程——電影數據是乾淨的嗎(1)

下一節：Pandas 教程——不同類型電影的比較(1)