第二个accessor, .dt是用于类似日期时间的数据。它在技术上属于Pandas的DatetimeIndex，如果在Series上调用，它首先转换为DatetimeIndex ：
第三个accessor ，.cat，只用于分类数据，你很快将在它自己的部分中看到。
4.从组件列创建DatetimeIndex
说到类似datetime的数据，如上面的daterng，可以从多个组成列创建一个Pandas DatetimeIndex，这些组成列共同构成一个日期或日期时间：
最后，你可以删除旧的单个列并转换为Series：
传递DataFrame的直觉是，DataFrame类似于Python字典，其中列名是键，各个列（Series）是字典值。这就是为什么pd.to_datetime(df[datecols].to_dict(orient="list"))在这种情况下也会起作用的原因。这反映了Python的datetime.datetime的构造，你可以在其中传递关键字参数，如datetime.datetime(year=2000, month=1, day=15, hour=10)。
5. 使用分类数据节省时间和空间
Pandas的一个强大特性是它的分类dtype。
即使你并不总是使用RAM中的千兆字节数据，你也可能遇到这样的情况，即直接操作大型DataFrame似乎挂起超过几秒钟。
Pandas object dtype通常是转换到类别数据的最佳候选。（object是Python str、异构数据类型或“其他”类型的容器。）字符串在内存中占用大量空间：
注意：我使用sys.getsizeof来显示序列中每个单独的值占用的内存。请记住，这些是Python对象，这些对象在一开始就有一些开销。（sys.getsizeof("")将返回49字节。）
还有colors.memory_usage，它总结了内存使用情况，并依赖于底层NumPy数组的.nbytes属性。不要太拘泥于这些细节：重要的是类型转换导致的相对内存使用，正如您接下来将看到的。
现在，如果我们把上面的独特颜色映射到一个占用更少空间的整数中呢？下面是一个简单的实现：
注意：另一种方法是Pandas的pd.factorize(colors)：
无论哪种方式，都是将对象编码为枚举类型（分类变量）。
你会立刻注意到，与object dtype使用完整字符串相比，内存使用量几乎减少了一半。
在accessor一节中，我提到了.cat（分类）accessor。上面的mapper粗略的说明Pandas的Categoricaldtype内部正在发生：
“Categorical的内存使用与类别的数量加上数据的长度成正比。相反，对象dtype是数据长度的常数倍。”（来源）
在上面的colors中，每一个唯一值（类别）都有2个值的比率：
结果，从转换到分类的内存节省是好的，但不是很大：
但是，如果用大量的数据和很少的唯一值（考虑人口统计或字母测试分数的数据）来夸大上述比例，则所需的内存减少超过10倍：
另一个好处是计算效率也得到了提升：对于分类Series，字符串操作是在.cat.categories属性上执行的，而不是在Series的每个原始元素上执行的。
换言之，操作在每一个唯一类别进行，并将结果映射回值。分类数据有一个.cat accessor ，它是一扇窗用于操作属性和方法来处理类别：
事实上，您可以手动再现类似于上面的示例：
为了精确地模拟早期手动输出，你需要做的是重新排序代码：
注意，dType是NumPy的int8，一个8位有符号整数，可以取值为-127到128。（只需要一个字节来表示内存中的值。在内存使用方面，64位有符号ints将被过度使用。）我们的粗略示例默认情况下得到int64数据，而Pandas足够聪明，能够将分类数据向下转换到尽可能小的数字dtype。
.cat的大多数属性与查看和操作底层类别本身有关：
不过，也有一些注意事项。分类数据一般不那么灵活。例如，如果插入以前没出现过的值，则需要先将此值添加到..categories容器中：
如果你计划设置值或修正数据而不是派生新的计算，则Categorical类型可能不那么灵活。
未完，6-10条见本日推送第二篇文章。
英文原文：https://realpython.com/python-pandas-tricks/
译者：张新英
閱讀更多 Python部落 的文章
