Pandas DataFrame Slice

„Biblioteka Open_Source, którą zapewnia„ Python ”, jest biblioteka„ Pandy ”. Korzystając z metod „pandy”, możemy łatwo wykonywać kilka zadań. Bardzo nam pomaga w wykonywaniu różnych zadań, takich jak pomaga nam w analizowaniu i manipulowaniu danymi. Możemy również tworzyć ramki danych i zastosować wiele funkcji, które „pandy” dostarczają tym ramom danych. Kiedy utworzyliśmy ramkę danych i po utworzeniu ramki danych musimy pokroić tenframe. Tak więc, aby wyciąć ramkę danych, używamy różnych metod, które zapewnia „pandy”. Możemy pokroić rzędy DataFrame, a także kolumny. Ten przewodnik zawiera szczegółowe informacje o krojeniu w „pandy” i omówi te metody, które możemy wykorzystać do wycinania ramki danych."

Metody krojenia ramki danych

Metody, które pomagają w krojeniu kolumn i wierszy DataFrame, są następujące:

• Ramka danych.Metoda LOC.
• Ramka danych.Metoda ILOC.

Wykorzystamy obie metody w naszych kodach tutaj i pokrój kolumny, a także rzędy DataFrame, a także szczegółowe wyjaśnienie wszystkich pojęć tutaj w tym przewodniku.

Przykład nr 01
Musimy potrzebować dowolnego oprogramowania lub narzędzia do wykonywania kodów, więc tutaj używamy narzędzia „Spyder” do tych kodów „pandy”. Moduły „pandy” są importowane jako pierwsze. Umieszczamy więc słowo kluczowe „Importuj” i importujemy moduły „Pandy jako PD.„Po tym musimy tutaj dodać ramkę danych, więc pokroimy tenFrame Później. Tutaj jest „syllabus_df” i wiesz, że dodaliśmy kilka kolumn i wierszy do DataFrame.

Pierwsza kolumna, którą tutaj dodamy, to kolumna „Ćwiczenie_no”, w której wstawiliśmy liczby ćwiczenia, a liczby te to „Ex# 1.1, np.# 1.2, np.# 1.3, np.# 1.4, ex# 2.1, np.# 2.2, ex# 2.3, np.# 3.1 i np.# 3.2 ”. Następnie dodajemy kolumnę „Unit_no”, która zawiera „Jednostka 1, jednostka 1, jednostka 1, jednostka 1, jednostka 2, jednostka 2, jednostka 2, jednostka 3 i jednostka 3”. Kolumna „Class_Period” jest teraz przed nami, która ma „2. okres, pierwszy okres, 4. okres, pierwszy okres, 5. okres, 7. okres, 2. okres, 3 okres i czwarty okres”. Następnie dodaje się jeszcze jedną kolumnę, która nazywa się „Class_Days”, a my również wkładamy dni, które są „poniedziałek, we wtorek, czwartek, sobota, środa, poniedziałek, wtorek, czwartek, sobota."

Następnie zamknij nawiasy DataFrame TUTA. Teraz musimy pokazać tenframe danych, więc używamy „print ()”, który pomaga wyświetlać tenframe danych. Wykonujemy ten kod, a zobaczysz, jak wygląda taframa danych.

Musimy teraz uruchomić ten kod. Dlatego klikamy ikonę „Uruchom” tego narzędzia, aby je wykonać podczas pracy w narzędziu „Spyder”. Następnie renderowana jest w wyniku następująca. Rama danych zawiera dziewięć rzędów i cztery kolumny. Teraz pokroimy tę ramkę danych za pomocą metody „pandy”.

Używamy metody „LOC” w tym kodzie i dodajemy nazwy tych kolumn, które chcemy wycinać z DataFrame. Tutaj krojejemy trzy kolumny, „Ćwiczenie_no, jednostka_no i klasę”, korzystając z DataFrame, a te trzy kolumny są zapisywane w „Sylabus_df2”, które są również umieszczane w „druku”, więc po wycięciu kolumn DataFrame, The DataFrame, The DataFrame, The DataFrame, Kolumny pokrojone są również renderowane na terminalu.

Wyświetlane są tutaj tylko trzy kolumny, gdy pokroimy te kolumnyframe za pomocą „loc” i wyświetlamy je tutaj.

Przykład nr 02
Wygenerowana jest oprawa danych o nazwie „ex_patient_detail” i pola „lekarz, pacjenci, choroba i 1st_visit_month”. Kolumna „Doktor” zawiera nazwiska lekarza „Dr. Smith, Dr. Oscar, dr. Bromley, dr. Peter, dr. Albert, dr. Taylor, dr. Fasola i dr. Jayden ”Pacjent nazywa„ Megan, Jack, Jessica, Thomas, Sophie, Callum, Lewis, Liam ”są umieszczane w polu„ pacjentów ”. Następnie weszliśmy do „choroby” z następującymi nazwami „Problem serca, infekcja płuc, infekcja mózgu, problemy z sercem, ciśnienie krwi, infekcja jelit, uszkodzenie nóg i problem z nerkami.„Uwzględniamy również 1. miesiące wizyty pacjentów, które są„ styczeń, styczeń, luty, marzec, maj, lipiec, wrzesień i grudzień."

Lista „ex_patient_detail” jest następnie konwertowana na „ex_patient_df”, która jest w tym przypadku oprawą danych. „Ex_patient_df” jest następnie drukowane, a po wydrukowaniu przechodzimy, aby użyć metody „loc”, która pomaga w plasterze kolumny. Kryteria, które tutaj przedstawiliśmy. Kroimy ramkę danych z kolumny „pacjentów” do ostatniej kolumny. Następnie wyświetlamy pokrojone kolumny.

Pierwsza ramka danych pokazuje cztery kolumny, ale potem pokroimy kolumny tego ramki danych z „pacjentów”, a poniżej DataFrame, pierwsza kolumna to kolumna „pacjentów”, ponieważ pokroimy ją z kolumny „pacjentów” do końca do końca.

Przykład nr 03
Powyższa strumienia danych jest ponownie wykorzystywana i inaczej krawamy ten ramkę danych. Tutaj od samego początku krawamy ramkę danych, która kończy się w kolumnie „choroby”. Jak pokazano poniżej, wspominamy, że w metodzie „LOC” pokrój kolumnę od początku ramki danych do kolumny „choroby”. Ta metoda „LOC” odpowiednio pokroi kolumny tego ramki danych, jak wspomniano w tej metodzie.

W ramce danych, która pojawia się po krojeniu, widać, że wyświetla kolumny od początku kolumny DataFrame, a kończy się w kolumnie „choroby”, ponieważ wspomnialiśmy o tym w metodzie „LOC” w kodzie.

Przykład nr 04
Teraz pokrój wiersze w tym przykładzie, wykorzystując metodę „ILOC”. „Football_list” jest utworzony jako pierwszy, w którym dodaliśmy „William, 41, 78 i 5367000”, które pojawią się jako pierwszy rząd formy danych po przekształceniu tej listy w ramkę danych. Następnie wstawiliśmy „James, 31, 75 i 345700”; Następnie dodaliśmy „Jessica, 38, 70, 9867000”, „Grace, 34, 80, 390000”, „Liam, 40, 100, 4548000”, „Callum, 33, 72, 7028000”, a także „Ryan, 42, 42 , 85, 2528000 ”, które pojawią się odpowiednio jako trzeci, czwarty, piąty, szósty i siódmy rzęd."

Następnie renderowany jest również DataFarme. Teraz krojejemy rzędy tego „piłkarza_dawki”, umieszczając niektóre wartości w metodzie „ILOC”. Umieściliśmy „1: 5”, co oznacza, że ​​pokroi wiersze z wiersza „indeks 1” do wiersza „indeks 5”. Tak więc pięć wierszy pojawi się po wycięciu wierszy danych danych. Zainicjujemy „piłkarz_df1” z tą metodą „ILOC”, więc rzędy, które pokroimy za pomocą tej metody, będą przechowywać w tej zmiennej. Następnie ponownie użyjemy „print ()” i umieszczamy w nim „piłkarz_df1”, aby na terminalu wydrukowały krojone wiersze.

Przed zastosowaniem metody „ILOC” pokazuje wszystkie kolumny i wszystkie wiersze DataFrame. Następnie pokroimy rzędy tej ramki danych za pomocą metody „ILOC”, a poniżej pokrojone rzędy są również renderowane od indeksu 1 do indeksu 5, które umieściliśmy w metodzie „ILOC”.

Wniosek

Celem napisania tego przewodnika jest podanie szczegółowego opisu koncepcji „Sliceframe DataFrame” w „Pandy.„Omówiliśmy dwie metody:„ LOC ”i„ ILOC ”w tym przewodniku, które pomagają w krojeniu wierszy, a także kolumn określonej ramki danych. W tym przewodniku wykorzystaliśmy obie metody w kodach „pandy”, a także pokroiliśmy kolumny w jednym przykładzie, a wiersze w drugim przykładzie. Wyjaśniliśmy już, w jaki sposób pokroimy wiersze, a także kolumny DataFrame w tym przewodniku. W tym przewodniku wykonaliśmy wiele kodów, wraz z wyjaśnieniem i wyjściami każdego kodu.