pandas 是源于NumPy 的一種python庫，主要是為了解決數據分析任務而創建的。pandas為我們提供了大量簡單便捷地處理數據的函數和方法。今天小編給大家分享的就是：快速解釋如何使用pandas的inplace參數，希望對大家學習和使用pandas有所幫助。

以下文章來源： DeepHub IMBA

作者：P**nHub兄弟網站

介紹

在操作dataframe時，初學者有時甚至是更高級的數據科學家會對如何在pandas中使用inplace參數感到困惑。

更有趣的是，我看到的解釋這個概念的文章或教程并不多。它似乎被假定為知識或自我解釋的概念。不幸的是，這對每個人來說都不是那么簡單，因此本文試圖解釋什么是inplace參數以及如何正確使用它。

讓我們來看看一些使用inplace的函數的例子:

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

我已經創建了這個列表，可能還有更多的函數使用inplace作為參數。我沒有記住所有這些函數，但是作為參數的幾乎所有pandas DataFrame函數都將以類似的方式運行。這意味著在處理它們時，您將能夠應用本文將介紹的相同邏輯。

創建一個示例DataFrame

為了說明inplace的用法，我們將創建一個示例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()

我們創建了一個數據框架，該數據框架有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)。

現在我們將演示dropna()函數如何使用inplace參數工作。因為我們想要檢查兩個不同的變體，所以我們將創建原始數據框架的兩個副本。

 df_1 = df.copy()
 df_2 = df.copy()

下面的代碼將刪除所有缺少值的行。

 df_1.dropna(inplace=True)

如果您在Jupyter notebook中運行此操作，您將看到單元格沒有輸出。這是因為inplace=True函數不返回任何內容。它用所需的操作修改現有的dataframe，并在原始dataframe上“就地”（inplace）執行。

如果在dataframe上運行head()函數，應該會看到有兩行被刪除。

 df_1.head()

現在我們用inplace = False運行相同的代碼。注意，這次我們將使用df_2版本的df

 df_2.dropna(inplace=False)

如果您在Jupyter notebook中運行此代碼，您將看到有一個輸出(上面的屏幕截圖)。inplace = False函數將返回包含刪除行的數據。

記住，當inplace被設置為True時，不會返回任何東西，但是原始數據被修改了。

那么這一次原始數據會發生什么呢?讓我們調用head()函數進行檢查。

 df_2.head()

原始數據不變!那么發生了什么?

當您使用inplace=True時，將創建并更改新對象，而不是原始數據。如果您希望更新原始數據以反映已刪除的行，則必須將結果重新分配到原始數據中，如下面的代碼所示。

 df_2 = df_2.dropna(inplace=False)

這正是我們在使用inplace=True時所做的。是的，最后一行代碼等價于下面一行:

 df_2.dropna(inplace=True)

后者更優雅，并且不創建中間對象，然后將其重新分配給原始變量。它直接改變原始數據框架，因此，如果需要改變原始數據，那么inplace=True是首選。

那么，為什么會有在使用inplace=True產生錯誤呢?我不太確定，可能是因為有些人還不知道如何正確使用這個參數。讓我們看看一些常見的錯誤。

常見錯誤

使用inplace = True處理一個片段

如果我們只是想去掉第二個name和age列中的NaN，而保留number of children列不變，我們該怎么辦?

我見過有人這樣做:

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

這會拋出以下警告。

這個警告之所以出現是因為Pandas設計師很好，他們實際上是在警告你不要做你可能不想做的事情。該代碼正在更改只有兩列的dataframe，而不是原始數據框架。這樣做的原因是，您選擇了dataframe的一個片段，并將dropna()應用到這個片段，而不是原始dataframe。

為了糾正它，可以這樣使用

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

這樣就可以將dataframe中刪除第二個name和age列中值為空的行。

將變量值賦給inplace= True的結果

 df = df.dropna(inplace=True)

這又是你永遠不應該做的事情!你只需要將None重新賦值給df。記住，當你使用inplace=True時，什么也不會返回。因此，這段代碼的結果是將把None分配給df。

總結

我希望本文為您揭開inplace參數的神秘面紗，您將能夠在您的代碼中正確地使用它。