第二個accessor, .dt是用於類似日期時間的數據。它在技術上屬於Pandas的DatetimeIndex，如果在Series上調用，它首先轉換為DatetimeIndex ：
第三個accessor ，.cat，只用於分類數據，你很快將在它自己的部分中看到。
4.從組件列創建DatetimeIndex
說到類似datetime的數據，如上面的daterng，可以從多個組成列創建一個Pandas DatetimeIndex，這些組成列共同構成一個日期或日期時間：
最後，你可以刪除舊的單個列並轉換為Series：
傳遞DataFrame的直覺是，DataFrame類似於Python字典，其中列名是鍵，各個列（Series）是字典值。這就是為什麼pd.to_datetime(df[datecols].to_dict(orient="list"))在這種情況下也會起作用的原因。這反映了Python的datetime.datetime的構造，你可以在其中傳遞關鍵字參數，如datetime.datetime(year=2000, month=1, day=15, hour=10)。
5. 使用分類數據節省時間和空間
Pandas的一個強大特性是它的分類dtype。
即使你並不總是使用RAM中的千兆字節數據，你也可能遇到這樣的情況，即直接操作大型DataFrame似乎掛起超過幾秒鐘。
Pandas object dtype通常是轉換到類別數據的最佳候選。（object是Python str、異構數據類型或“其他”類型的容器。）字符串在內存中佔用大量空間：
注意：我使用sys.getsizeof來顯示序列中每個單獨的值佔用的內存。請記住，這些是Python對象，這些對象在一開始就有一些開銷。（sys.getsizeof("")將返回49字節。）
還有colors.memory_usage，它總結了內存使用情況，並依賴於底層NumPy數組的.nbytes屬性。不要太拘泥於這些細節：重要的是類型轉換導致的相對內存使用，正如您接下來將看到的。
現在，如果我們把上面的獨特顏色映射到一個佔用更少空間的整數中呢？下面是一個簡單的實現：
注意：另一種方法是Pandas的pd.factorize(colors)：
無論哪種方式，都是將對象編碼為枚舉類型（分類變量）。
你會立刻注意到，與object dtype使用完整字符串相比，內存使用量幾乎減少了一半。
在accessor一節中，我提到了.cat（分類）accessor。上面的mapper粗略的說明Pandas的Categoricaldtype內部正在發生：
“Categorical的內存使用與類別的數量加上數據的長度成正比。相反，對象dtype是數據長度的常數倍。”（來源）
在上面的colors中，每一個唯一值（類別）都有2個值的比率：
結果，從轉換到分類的內存節省是好的，但不是很大：
但是，如果用大量的數據和很少的唯一值（考慮人口統計或字母測試分數的數據）來誇大上述比例，則所需的內存減少超過10倍：
另一個好處是計算效率也得到了提升：對於分類Series，字符串操作是在.cat.categories屬性上執行的，而不是在Series的每個原始元素上執行的。
換言之，操作在每一個唯一類別進行，並將結果映射回值。分類數據有一個.cat accessor ，它是一扇窗用於操作屬性和方法來處理類別：
事實上，您可以手動再現類似於上面的示例：
為了精確地模擬早期手動輸出，你需要做的是重新排序代碼：
注意，dType是NumPy的int8，一個8位有符號整數，可以取值為-127到128。（只需要一個字節來表示內存中的值。在內存使用方面，64位有符號ints將被過度使用。）我們的粗略示例默認情況下得到int64數據，而Pandas足夠聰明，能夠將分類數據向下轉換到儘可能小的數字dtype。
.cat的大多數屬性與查看和操作底層類別本身有關：
不過，也有一些注意事項。分類數據一般不那麼靈活。例如，如果插入以前沒出現過的值，則需要先將此值添加到..categories容器中：
如果你計劃設置值或修正數據而不是派生新的計算，則Categorical類型可能不那麼靈活。
未完，6-10條見本日推送第二篇文章。
英文原文：https://realpython.com/python-pandas-tricks/
譯者：張新英
閱讀更多 Python部落 的文章
