Metoda Pandas isin () pomaga wyszukiwać zestaw wejściowy wartości w danej ramce danych . Omówimy pandy, jej metodę isin () i przykłady.
Co to jest pandy w Pythonie?
Pandy to standardowy moduł ramy danych Pythona. Prawdopodobnie powinieneś użyć pandy, jeśli pracujesz z danymi tabelarnymi w Python.
Daje bardzo wydajną strukturę danych i narzędzia do przeprowadzania analizy danych. Pandy to moduł Python dla nauki danych i analizy, który działa na szczycie Numpy. Rama danych w podstawowej strukturze danych Pandy pozwala nam przechowywać i zmieniać dane tabelaryczne w strukturze 2-D.
Co to jest Frame?
Najważniejszą i szeroko stosowaną strukturą danych jest DataFrame, standardowy sposób przechowywania danych. DataFrame ma dane zorganizowane w rzędach i kolumnach, takich jak tabela SQL lub baza danych arkusza kalkulacyjnego. Możemy albo przekonwertować nasze niestandardowe dane na dane danych lub zaimportować dane z CSV, TSV, Baza danych Excel, SQL lub z innego źródła.
Co to jest funkcja pandas isin ()?
Funkcja ISIN () sprawdza, czy podana wartość (-ów) są obecne w ramce danych. Ta funkcja zwraca boolowską ramkę danych. Pramka danych wydaje się być taka sama jak oryginał i jest niezmieniony. Mimo to oryginalne wartości są zastępowane true, jeśli element ramki danych jest jednym z określonych elementów i jest zmieniany na false w przeciwnym razie.
Przykłady metody ISIN ()
Przykład 1:
1 2 3 4 5 6 7 8 9 10 11 12 | importować pandy jako PD dane = PD.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Numer rolki”: [25, 40, 23, 22], „Height”: [„169”, „173”, „173”, „178”] ) lighs_to_filter = [„173”, „169”, „177”] wynik = dane.isin (Heights_to_filter) Drukuj (wynik) |
Wyjście:
Nazwa | Rolka | numer | Wysokość |
---|---|---|---|
0 | FAŁSZ | FAŁSZ | PRAWDA |
1 | FAŁSZ | FAŁSZ | PRAWDA |
2 | FAŁSZ | FAŁSZ | PRAWDA |
3 | FAŁSZ | FAŁSZ | FAŁSZ |
Przykład 2:
1 2 3 4 5 6 7 8 9 10 11 12 13 | importować pandy jako PD dane = PD.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Wiek”: [25, 45, 23, 32], „Ulubiony temat”: [„Math”, „Science”, „Science”, „English”] ) dict_data_to_filter = 'name': ['b', 'd'], 'Department': ['science'] wynik = dane.isin (dict_data_to_filter) Drukuj (wynik) |
Wyjście:
Nazwa | Wiek | Ulubiony | Temat |
---|---|---|---|
0 | FAŁSZ | FAŁSZ | FAŁSZ |
1 | PRAWDA | FAŁSZ | FAŁSZ |
2 | FAŁSZ | FAŁSZ | FAŁSZ |
3 | PRAWDA | FAŁSZ | FAŁSZ |
Przykład 3:
1 2 3 4 5 6 7 8 9 10 11 12 | importować pandy jako PD dane = PD.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Wiek”: [25, 45, 23, 32], „Departament”: [„29”, „35”, „35”, „40”] ) series_data = pd.Seria ([„A”, „C”, „B”, „D”]) wynik = dane.isin (seria_data) Drukuj (wynik) |
Wyjście:
Nazwa | Wiek | Dział |
---|---|---|
0 | PRAWDA | FAŁSZ |
1 | FAŁSZ | FAŁSZ |
2 | FAŁSZ | FAŁSZ |
3 | PRAWDA | FAŁSZ |
Przykład 4:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 | importować pandy jako PD dane = PD.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Numer rolki”: [25, 45, 23, 32], „House”: [„niebieski”, „zielony”, „zielony”, „żółty”] ) df = pd.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Numer rolki”: [25, 45, 23, 32], „House”: [„niebieski”, „zielony”, „zielony”, „żółty”] ) wynik = dane.isin (DF) Drukuj (wynik) wydrukować() df = pd.Ramka danych( „Nazwa”: [„A”, „B”, „C”, „D”], „Numer rolki”: [25, 45, 23, 32], „House”: [„niebieski”, „zielony”, „zielony”, „żółty”] ) wynik = dane.isin (DF) Drukuj (wynik) |
Wyjście:
Nazwa | Rolka | numer | Dom |
---|---|---|---|
0 | PRAWDA | PRAWDA | PRAWDA |
1 | PRAWDA | PRAWDA | PRAWDA |
2 | PRAWDA | PRAWDA | PRAWDA |
3 | PRAWDA | PRAWDA | PRAWDA |
Nazwa | Rolka | numer | Dom |
---|---|---|---|
0 | PRAWDA | PRAWDA | PRAWDA |
1 | PRAWDA | PRAWDA | PRAWDA |
2 | PRAWDA | PRAWDA | PRAWDA |
3 | PRAWDA | PRAWDA | PRAWDA |
Wniosek
Omówiliśmy pandy w Python, DataFrame, funkcji pandas isin () i niektórych przykładach metod isin (). Metoda ISIN () służy do uzyskania boolean danych, która informuje, które wartości wejściowe są obecne w DataFrame.