Khi làm việc với một tập dữ liệu lớn trong bất kỳ dự án khoa học dữ liệu hoặc máy học nào, cần phải tìm kiếm một số giá trị trong một tính năng và đối với các giá trị đó, chúng ta cần lấy các giá trị từ các tính năng khác. Tìm kiếm các giá trị trong tập dữ liệu nghe có vẻ phức tạp nhưng Python Pandas giúp việc này trở nên dễ dàng Mã Python Pandas bên dưới thực hiện như sau. 1. Tạo từ điển dữ liệu và chuyển đổi nó thành DataFrame 2. Sử dụng chức năng "where" để lọc ra các cột dữ liệu mong muốn. gấu trúc. Khung dữ liệu. Hàm where() giống như thành ngữ if-then kiểm tra một điều kiện để trả về kết quả tương ứng. Mã mẫu Python Pandas để tìm giá trị trong DataFrameDưới đây là mã pandas trong python để tìm kiếm một giá trị trong cột Pandas DataFrame - Bước 1 - Nhập thư viện>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
22Chúng tôi chỉ nhập thư viện gấu trúc python cần thiết cho ví dụ mã này Bước 2 - Thiết lập dữ liệuChúng tôi đã tạo một từ điển dữ liệu và chuyển nó tới pd. DataFrame để tạo khung dữ liệu với các cột 'first_name', 'last_name', 'age', 'Comedy_Score' và 'Rating_Score' >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
23Hãy thử thêm một vài ví dụ về mã Pandas với các dự án Python Pandas này bằng mã nguồn Bước 3 - Tìm kiếm các giá trị trong DataFrameChúng tôi đang tìm kiếm dữ liệu trong Rating_Score của tính năng có giá trị nhỏ hơn 50 và đối với những giá trị đó, chúng tôi đang chọn các giá trị tương ứng trong Comedy_Score Pandas DataFrame là một cấu trúc chứa dữ liệu hai chiều và các nhãn tương ứng của nó. DataFrames được sử dụng rộng rãi trong khoa học dữ liệu, học máy, tính toán khoa học và nhiều lĩnh vực sử dụng nhiều dữ liệu khác DataFrames tương tự như bảng SQL hoặc bảng tính mà bạn làm việc trong Excel hoặc Calc. Trong nhiều trường hợp, DataFrames nhanh hơn, dễ sử dụng hơn và mạnh hơn bảng hoặc bảng tính vì chúng là một phần không thể thiếu của hệ sinh thái Python và NumPy Trong hướng dẫn này, bạn sẽ học - Pandas DataFrame là gì và cách tạo một DataFrame
- Cách truy cập, sửa đổi, thêm, sắp xếp, lọc và xóa dữ liệu
- Cách xử lý các giá trị bị thiếu
- Cách làm việc với dữ liệu chuỗi thời gian
- Cách hiển thị nhanh dữ liệu
Đã đến lúc bắt đầu với Pandas DataFrames Tiền thưởng miễn phí. 5 Suy nghĩ về Làm chủ Python, một khóa học miễn phí dành cho các nhà phát triển Python cho bạn thấy lộ trình và tư duy mà bạn sẽ cần để đưa các kỹ năng Python của mình lên một tầm cao mới Giới thiệu Khung dữ liệu PandasPandas DataFrames là cấu trúc dữ liệu có chứa - Dữ liệu được tổ chức theo hai chiều, hàng và cột
- Nhãn tương ứng với hàng và cột
Bạn có thể bắt đầu làm việc với DataFrames bằng cách nhập Pandas >>> >>> import pandas as pd
Bây giờ bạn đã nhập Pandas, bạn có thể làm việc với DataFrames Hãy tưởng tượng bạn đang sử dụng Pandas để phân tích dữ liệu về các ứng viên cho vị trí phát triển ứng dụng web bằng Python. Giả sử bạn quan tâm đến tên, thành phố, độ tuổi và điểm số của ứng viên trong bài kiểm tra lập trình Python hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
4>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
5>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
9>>> import numpy as np
>>> import pandas as pd
0>>> import numpy as np
>>> import pandas as pd
1>>> import numpy as np
>>> import pandas as pd
2>>> import numpy as np
>>> import pandas as pd
3>>> import numpy as np
>>> import pandas as pd
4>>> import numpy as np
>>> import pandas as pd
5>>> import numpy as np
>>> import pandas as pd
6>>> import numpy as np
>>> import pandas as pd
7>>> import numpy as np
>>> import pandas as pd
8>>> import numpy as np
>>> import pandas as pd
9>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
80>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
81>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
82>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
83>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
84>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
85>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
86>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
87>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
88>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
89>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
800>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
801>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
802>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
803>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
804>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
805>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
806>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
807>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
808>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
809>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
810>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
811>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
812Trong bảng này, hàng đầu tiên chứa các nhãn cột ( >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
4, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
5, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3). Cột đầu tiên chứa các nhãn hàng (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8, >>> import numpy as np
>>> import pandas as pd
3, v.v.). Tất cả các ô khác được lấp đầy với các giá trị dữ liệuBây giờ bạn có mọi thứ bạn cần để tạo Pandas DataFrame Có một số cách để tạo Pandas DataFrame. Trong hầu hết các trường hợp, bạn sẽ sử dụng hàm tạo >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 và cung cấp dữ liệu, nhãn và thông tin khác. Bạn có thể truyền dữ liệu dưới dạng danh sách hai chiều, bộ dữ liệu hoặc mảng NumPy. Bạn cũng có thể chuyển nó dưới dạng từ điển hoặc phiên bản Pandas >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 hoặc dưới dạng một trong số các loại dữ liệu khác không được đề cập trong hướng dẫn nàyĐối với ví dụ này, giả sử bạn đang sử dụng từ điển để truyền dữ liệu >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
821 là một biến Python đề cập đến từ điển chứa dữ liệu ứng viên của bạn. Nó cũng chứa các nhãn của các cột>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
822>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
823>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
824>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
825
Cuối cùng, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
826 đề cập đến danh sách chứa nhãn của các hàng, là các số nằm trong khoảng từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
808Bây giờ bạn đã sẵn sàng để tạo một Khung dữ liệu Pandas >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8Đó là nó. >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 là một biến chứa tham chiếu đến Khung dữ liệu Pandas của bạn. Khung dữ liệu Pandas này trông giống như bảng ứng cử viên ở trên và có các tính năng sau- Nhãn hàng từ
>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
808 - Các nhãn cột như
>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
822, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
823, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
824 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
825 - Dữ liệu như tên ứng viên, thành phố, độ tuổi và điểm kiểm tra Python
Hình này hiển thị các nhãn và dữ liệu từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829Nhãn hàng được viền màu xanh lam, trong khi nhãn cột được viền màu đỏ và giá trị dữ liệu được viền màu tím Pandas DataFrames đôi khi có thể rất lớn, khiến việc xem xét tất cả các hàng cùng một lúc là không thực tế. Bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
837 để hiển thị một số mục đầu tiên và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
838 để hiển thị một số mục cuối cùng>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
9Đó là cách bạn có thể chỉ hiển thị phần đầu hoặc phần cuối của Khung dữ liệu Pandas. Tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
839 chỉ định số lượng hàng sẽ hiển thịGhi chú. Có thể hữu ích khi coi Pandas DataFrame như một từ điển các cột hoặc Pandas Series, với nhiều tính năng bổ sung Bạn có thể truy cập một cột trong Khung dữ liệu Pandas giống như cách bạn nhận giá trị từ từ điển >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
1Đây là cách thuận tiện nhất để lấy một cột từ Khung dữ liệu Pandas Nếu tên của cột là một chuỗi là mã định danh Python hợp lệ thì bạn có thể sử dụng ký hiệu dấu chấm để truy cập nó. Nghĩa là, bạn có thể truy cập cột giống như cách bạn lấy thuộc tính của một thể hiện lớp >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
2Đó là cách bạn có được một cột cụ thể. Bạn đã trích xuất cột tương ứng với nhãn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
823, chứa vị trí của tất cả các ứng viên cho công việc của bạnĐiều quan trọng cần lưu ý là bạn đã trích xuất cả dữ liệu và nhãn hàng tương ứng Mỗi cột của Khung dữ liệu Pandas là một phiên bản của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
841, một cấu trúc chứa dữ liệu một chiều và nhãn của chúng. Bạn có thể lấy một mục của đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 giống như cách bạn làm với từ điển, bằng cách sử dụng nhãn của nó làm khóa>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6Trong trường hợp này, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
843 là giá trị dữ liệu và >>> import numpy as np
>>> import pandas as pd
3 là nhãn tương ứng. Như bạn sẽ thấy trong phần sau, có nhiều cách khác để lấy một mục cụ thể trong Khung dữ liệu PandasBạn cũng có thể truy cập toàn bộ hàng bằng trình truy cập >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
Lần này, bạn đã trích xuất hàng tương ứng với nhãn >>> import numpy as np
>>> import pandas as pd
8, chứa dữ liệu cho ứng viên có tên >>> import numpy as np
>>> import pandas as pd
9. Ngoài các giá trị dữ liệu từ hàng này, bạn đã trích xuất nhãn của các cột tương ứngHàng được trả về cũng là một phiên bản của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
841Loại bỏ các quảng cáoTạo một khung dữ liệu PandasNhư đã đề cập, có một số cách để tạo Pandas DataFrame. Trong phần này, bạn sẽ học cách sử dụng hàm tạo >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 cùng với- từ điển Python
- danh sách Python
- Mảng NumPy hai chiều
- Các tập tin
Ngoài ra còn có các phương pháp khác mà bạn có thể tìm hiểu trong tài liệu chính thức Bạn có thể bắt đầu bằng cách nhập Pandas cùng với NumPy mà bạn sẽ sử dụng trong các ví dụ sau >>> >>> import numpy as np
>>> import pandas as pd
Đó là nó. Bây giờ bạn đã sẵn sàng để tạo một số DataFrames Tạo một khung dữ liệu Pandas với từ điểnNhư bạn đã thấy, bạn có thể tạo Pandas DataFrame bằng từ điển Python >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
8Các khóa của từ điển là các nhãn cột của DataFrame và các giá trị từ điển là các giá trị dữ liệu trong các cột DataFrame tương ứng. Các giá trị có thể được chứa trong một bộ, danh sách, mảng NumPy một chiều, đối tượng Pandas >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 hoặc một trong số các loại dữ liệu khác. Bạn cũng có thể cung cấp một giá trị duy nhất sẽ được sao chép dọc theo toàn bộ cộtCó thể kiểm soát thứ tự của các cột bằng tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
851 và nhãn hàng bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
852>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
80Như bạn có thể thấy, bạn đã chỉ định nhãn hàng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
853, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
854 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
855. Bạn cũng đã sắp xếp thứ tự các cột. ________ 2856, ________ 2857, ________ 2858Tạo một khung dữ liệu Pandas với danh sáchMột cách khác để tạo Pandas DataFrame là sử dụng danh sách từ điển >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
81Một lần nữa, các khóa từ điển là các nhãn cột và các giá trị từ điển là các giá trị dữ liệu trong DataFrame Bạn cũng có thể sử dụng danh sách lồng nhau hoặc danh sách danh sách làm giá trị dữ liệu. Nếu bạn làm như vậy, bạn nên chỉ định rõ ràng nhãn của cột, hàng hoặc cả hai khi bạn tạo DataFrame >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
82Đó là cách bạn có thể sử dụng danh sách lồng nhau để tạo Khung dữ liệu Pandas. Bạn cũng có thể sử dụng danh sách các bộ dữ liệu theo cách tương tự. Để làm như vậy, chỉ cần thay thế các danh sách lồng nhau trong ví dụ trên bằng các bộ dữ liệu Loại bỏ các quảng cáoTạo một khung dữ liệu Pandas với các mảng NumPyBạn có thể chuyển một mảng NumPy hai chiều tới hàm tạo >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 giống như cách bạn thực hiện với một danh sách>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
83Mặc dù ví dụ này trông gần giống như cách triển khai danh sách lồng nhau ở trên, nhưng nó có một lợi thế. Bạn có thể chỉ định tham số tùy chọn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
860Khi >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
860 được đặt thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862 (cài đặt mặc định của nó), dữ liệu từ mảng NumPy không được sao chép. Điều này có nghĩa là dữ liệu gốc từ mảng được gán cho Pandas DataFrame. Nếu bạn sửa đổi mảng thì DataFrame của bạn cũng sẽ thay đổi>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
84Như bạn có thể thấy, khi bạn thay đổi mục đầu tiên của ________ 2863, bạn cũng sửa đổi ________ 2864 Ghi chú. Việc không sao chép các giá trị dữ liệu có thể giúp bạn tiết kiệm đáng kể thời gian và sức mạnh xử lý khi làm việc với các tập dữ liệu lớn Nếu hành vi này không phải là điều bạn muốn, thì bạn nên chỉ định >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
865 trong hàm tạo >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819. Bằng cách đó, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
864 sẽ được tạo với một bản sao của các giá trị từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
863 thay vì các giá trị thực tếTạo một khung dữ liệu Pandas từ các tệpBạn có thể lưu và tải dữ liệu cũng như nhãn từ Khung dữ liệu Pandas đến và từ một số loại tệp, bao gồm CSV, Excel, SQL, JSON, v.v. Đây là một tính năng rất mạnh mẽ Bạn có thể lưu DataFrame ứng viên công việc của mình vào tệp CSV với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
869>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
85Câu lệnh trên sẽ tạo ra một tệp CSV có tên là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
870 trong thư mục làm việc của bạn>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
86Giờ bạn đã có tệp CSV chứa dữ liệu, bạn có thể tải tệp đó bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
871>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
87Đó là cách bạn lấy Pandas DataFrame từ một tệp. Trong trường hợp này, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
872 chỉ định rằng các nhãn hàng nằm trong cột đầu tiên của tệp CSVTruy xuất nhãn và dữ liệuBây giờ bạn đã tạo DataFrame của mình, bạn có thể bắt đầu truy xuất thông tin từ nó. Với Pandas, bạn có thể thực hiện các thao tác sau Loại bỏ các quảng cáoNhãn khung dữ liệu Pandas dưới dạng chuỗiBạn có thể nhận các nhãn hàng của DataFrame bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
874 và các nhãn cột của nó bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
875>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
88Bây giờ bạn có các nhãn hàng và cột dưới dạng các loại trình tự đặc biệt. Như bạn có thể làm với bất kỳ chuỗi Python nào khác, bạn có thể nhận được một mục duy nhất >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
89Ngoài việc trích xuất một mục cụ thể, bạn có thể áp dụng các thao tác tuần tự khác, bao gồm lặp qua nhãn của hàng hoặc cột. Tuy nhiên, điều này hiếm khi cần thiết vì Pandas cung cấp các cách khác để lặp qua DataFrames mà bạn sẽ thấy trong phần sau Bạn cũng có thể sử dụng phương pháp này để sửa đổi nhãn >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
80Trong ví dụ này, bạn sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
876 để tạo một chuỗi nhãn hàng mới chứa các số nguyên từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
877 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
878. Để tìm hiểu thêm về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
879, hãy xem NumPy arange(). Làm thế nào để sử dụng np. sắp xếp()Hãy nhớ rằng nếu bạn cố gắng sửa đổi một mục cụ thể của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
874 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
875, thì bạn sẽ nhận được một >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
882Dữ liệu dưới dạng mảng NumPyĐôi khi, bạn có thể muốn trích xuất dữ liệu từ Khung dữ liệu Pandas mà không có nhãn của nó. Để có được một mảng NumPy với dữ liệu chưa được gắn nhãn, bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
883 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
884>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
81Cả >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
883 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
884 đều hoạt động tương tự nhau và cả hai đều trả về một mảng NumPy với dữ liệu từ Pandas DataFrameTài liệu Pandas đề xuất sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
883 vì tính linh hoạt được cung cấp bởi hai tham số tùy chọn>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
888. Sử dụng tham số này để chỉ định kiểu dữ liệu của mảng kết quả. Nó được đặt thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
889 theo mặc định>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
860. Đặt tham số này thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862 nếu bạn muốn sử dụng dữ liệu gốc từ DataFrame. Đặt nó thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 nếu bạn muốn tạo một bản sao của dữ liệu
Tuy nhiên, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
884 đã tồn tại lâu hơn nhiều so với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
883, được giới thiệu trong Pandas phiên bản 0. 24. 0. Điều đó có nghĩa là bạn có thể sẽ thấy >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
884 thường xuyên hơn, đặc biệt là trong các mã cũ hơnLoại dữ liệuCác loại giá trị dữ liệu, còn được gọi là kiểu dữ liệu hoặc dtypes, rất quan trọng vì chúng xác định dung lượng bộ nhớ mà DataFrame của bạn sử dụng, cũng như tốc độ tính toán và mức độ chính xác của nó Pandas phụ thuộc rất nhiều vào các kiểu dữ liệu NumPy. Tuy nhiên, gấu trúc 1. 0 giới thiệu một số loại bổ sung >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
896 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
897 hỗ trợ các giá trị Boolean bị thiếu và logic ba giá trị Kleene>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
898 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
899 đại diện cho một loại chuỗi chuyên dụng
Bạn có thể lấy các loại dữ liệu cho từng cột của Khung dữ liệu Pandas với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
800>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
82Như bạn có thể thấy, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
800 trả về đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 với tên cột là nhãn và kiểu dữ liệu tương ứng là giá trịNếu bạn muốn sửa đổi kiểu dữ liệu của một hoặc nhiều cột, thì bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
803>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
83Tham số bắt buộc quan trọng nhất và duy nhất của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
803 là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
888. Nó mong đợi một kiểu dữ liệu hoặc từ điển. Nếu bạn vượt qua một từ điển, thì các khóa là tên cột và các giá trị là kiểu dữ liệu tương ứng bạn muốnNhư bạn có thể thấy, các kiểu dữ liệu cho các cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3 trong DataFrame >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 đều là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
809, đại diện cho số nguyên 64 bit (hoặc 8 byte). Tuy nhiên, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
864 cũng cung cấp một kiểu dữ liệu số nguyên nhỏ hơn, 32 bit (4 byte) có tên là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
811Loại bỏ các quảng cáoKích thước khung dữ liệu gấu trúcCác thuộc tính >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
812, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
813 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
814 lần lượt trả về số thứ nguyên, số giá trị dữ liệu trên mỗi thứ nguyên và tổng số giá trị dữ liệu>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
84Phiên bản >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 có hai chiều (hàng và cột), do đó, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
812 trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
817. Mặt khác, một đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 chỉ có một chiều duy nhất, vì vậy trong trường hợp đó, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
812 sẽ trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820Thuộc tính >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
814 trả về một bộ có số hàng (trong trường hợp này là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
822) và số cột (_______5823). Cuối cùng, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
813 trả về một số nguyên bằng số lượng giá trị trong DataFrame (>>> import numpy as np
>>> import pandas as pd
6)Bạn thậm chí có thể kiểm tra dung lượng bộ nhớ được sử dụng bởi mỗi cột với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
826>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
85Như bạn có thể thấy, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
826 trả về một Sê-ri với các tên cột dưới dạng nhãn và mức sử dụng bộ nhớ theo byte dưới dạng giá trị dữ liệu. Nếu bạn muốn loại trừ việc sử dụng bộ nhớ của cột chứa nhãn hàng, hãy chuyển đối số tùy chọn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
828Trong ví dụ trên, hai cột cuối cùng, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3, mỗi cột sử dụng 28 byte bộ nhớ. Đó là bởi vì các cột này có bảy giá trị, mỗi giá trị là một số nguyên chiếm 32 bit hoặc 4 byte. Bảy số nguyên nhân với 4 byte, mỗi số bằng tổng 28 byte sử dụng bộ nhớTruy cập và sửa đổi dữ liệuBạn đã học cách lấy một hàng hoặc cột cụ thể của Pandas DataFrame làm đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
86Trong ví dụ đầu tiên, bạn truy cập cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
4 giống như truy cập một phần tử từ từ điển, bằng cách sử dụng nhãn của nó làm khóa. Nếu nhãn cột là mã định danh Python hợp lệ thì bạn cũng có thể sử dụng ký hiệu dấu chấm để truy cập cột. Trong ví dụ thứ hai, bạn sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 để lấy hàng theo nhãn của nó, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
877Lấy dữ liệu với AccessorsNgoài bộ truy cập >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 mà bạn có thể sử dụng để lấy các hàng hoặc cột theo nhãn của chúng, Pandas còn cung cấp bộ truy cập >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836, truy xuất một hàng hoặc cột theo chỉ số nguyên của nó. Trong hầu hết các trường hợp, bạn có thể sử dụng một trong hai>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
87>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
837 trả về hàng có nhãn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
877. Tương tự, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
839 trả về hàng có chỉ số dựa trên số 0 >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
840, là hàng đầu tiên. Như bạn có thể thấy, cả hai câu lệnh đều trả về cùng một hàng dưới dạng đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820Pandas có tổng cộng bốn người truy cập >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 chấp nhận nhãn của hàng và cột và trả về Sê-ri hoặc Khung dữ liệu. Bạn có thể sử dụng nó để lấy toàn bộ hàng hoặc cột cũng như các phần của chúng>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836 chấp nhận các chỉ số dựa trên số 0 của hàng và cột và trả về Sê-ri hoặc Khung dữ liệu. Bạn có thể sử dụng nó để lấy toàn bộ hàng hoặc cột hoặc các phần của chúng>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
844 chấp nhận nhãn của hàng và cột và trả về một giá trị dữ liệu>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 chấp nhận các chỉ số dựa trên số 0 của các hàng và cột và trả về một giá trị dữ liệu
Trong số này, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836 đặc biệt mạnh mẽ. Họ hỗ trợ cắt và lập chỉ mục kiểu NumPy. Bạn có thể sử dụng chúng để truy cập vào một cột>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
88>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
848 trả về cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
5. Cấu trúc lát cắt (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
850) ở vị trí nhãn hàng có nghĩa là tất cả các hàng phải được bao gồm. >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
851 trả về cùng một cột vì chỉ số dựa trên số 0 >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 đề cập đến cột thứ hai, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
5Giống như bạn có thể làm với NumPy, bạn có thể cung cấp các lát cắt cùng với danh sách hoặc mảng thay vì chỉ mục để nhận nhiều hàng hoặc cột >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
89Ghi chú. Không sử dụng bộ dữ liệu thay vì danh sách hoặc mảng số nguyên để nhận các hàng hoặc cột thông thường. Các bộ dữ liệu được dành riêng để biểu diễn nhiều thứ nguyên trong NumPy và Pandas, cũng như lập chỉ mục phân cấp hoặc đa cấp trong Pandas Trong ví dụ này, bạn sử dụng - Cắt để lấy các hàng có nhãn ________ 5854 đến ________ 5855, tương đương với các chỉ số ________ 5820 đến ________ 5857
- Liệt kê để lấy các cột
>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
4 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
5, tương đương với các chỉ số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
840 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820
Cả hai câu lệnh đều trả về Khung dữ liệu Pandas với giao điểm của năm hàng và hai cột mong muốn Điều này mang đến một sự khác biệt rất quan trọng giữa >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836. Như bạn có thể thấy từ ví dụ trước, khi bạn chuyển nhãn hàng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
864 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845, bạn sẽ nhận được các hàng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
854 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
855. Tuy nhiên, khi bạn chuyển các chỉ số hàng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
868 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836, bạn chỉ nhận được các hàng có chỉ số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
857Lý do bạn chỉ nhận được các chỉ số từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
857 là vì với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836, chỉ số dừng của một lát cắt là độc quyền, nghĩa là nó bị loại trừ khỏi các giá trị được trả về. Điều này phù hợp với chuỗi Python và mảng NumPy. Tuy nhiên, với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845, cả hai chỉ số bắt đầu và kết thúc đều được bao gồm, nghĩa là chúng được bao gồm trong các giá trị được trả vềBạn có thể bỏ qua các hàng và cột với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836 giống như cách bạn có thể thực hiện với việc cắt các bộ dữ liệu, danh sách và mảng NumPy>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
90Trong ví dụ này, bạn chỉ định các chỉ số hàng mong muốn với lát cắt >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
877. Điều này có nghĩa là bạn bắt đầu với hàng có chỉ số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 (hàng thứ hai), dừng lại trước hàng có chỉ số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
879 (hàng thứ bảy) và bỏ qua mọi hàng thứ haiThay vì sử dụng cấu trúc cắt lát, bạn cũng có thể sử dụng lớp Python tích hợp sẵn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
880, cũng như >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
881 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
882>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
91Bạn có thể thấy một trong những cách tiếp cận này thuận tiện hơn những cách khác tùy thuộc vào tình huống của bạn Có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836 để nhận các giá trị dữ liệu cụ thể. Tuy nhiên, khi bạn chỉ cần một giá trị duy nhất, Pandas khuyên bạn nên sử dụng các bộ truy cập chuyên dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
844 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
92Ở đây, bạn đã sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
844 để lấy tên của một ứng cử viên bằng cách sử dụng các nhãn hàng và cột tương ứng của nó. Bạn cũng đã sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
845 để truy xuất cùng tên bằng cách sử dụng các chỉ số hàng và cột của nóLoại bỏ các quảng cáoCài đặt dữ liệu với AccessorsBạn có thể sử dụng các trình truy cập để sửa đổi các phần của Khung dữ liệu Pandas bằng cách chuyển một chuỗi Python, mảng NumPy hoặc một giá trị >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
93Câu lệnh >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
889 sửa đổi bốn mục đầu tiên (hàng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
877 đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
891) trong cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3 bằng cách sử dụng các giá trị từ danh sách được cung cấp của bạn. Sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
893 đặt các giá trị còn lại trong cột này thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
840Ví dụ sau đây cho thấy bạn có thể sử dụng các chỉ số phủ định với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
836 để truy cập hoặc sửa đổi dữ liệu>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
94Trong ví dụ này, bạn đã truy cập và sửa đổi cột cuối cùng (______2825), tương ứng với chỉ số cột số nguyên >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
897. Hành vi này phù hợp với chuỗi Python và mảng NumPyChèn và xóa dữ liệuPandas cung cấp một số kỹ thuật thuận tiện để chèn và xóa hàng hoặc cột. Bạn có thể chọn trong số họ dựa trên tình hình và nhu cầu của bạn Chèn và xóa hàngHãy tưởng tượng bạn muốn thêm một người mới vào danh sách ứng viên của mình. Bạn có thể bắt đầu bằng cách tạo một đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 mới đại diện cho ứng cử viên mới này>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
95Đối tượng mới có nhãn tương ứng với nhãn cột từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829. Đó là lý do tại sao bạn cần >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
900Bạn có thể thêm >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
901 dưới dạng một hàng mới vào cuối >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
903>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
96Ở đây, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
903 trả về Khung dữ liệu Pandas với hàng mới được thêm vào. Lưu ý cách Pandas sử dụng thuộc tính >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
905, là giá trị >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
906, để chỉ định nhãn cho hàng mớiBạn đã thêm một hàng mới bằng một lệnh gọi duy nhất đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
903 và bạn có thể xóa hàng đó bằng một lệnh gọi duy nhất đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
908>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
97Ở đây, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
908 xóa các hàng được chỉ định bằng tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
910. Theo mặc định, nó trả về Khung dữ liệu Pandas với các hàng được chỉ định đã bị xóa. Nếu bạn vượt qua >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
911, thì Khung dữ liệu ban đầu sẽ được sửa đổi và bạn sẽ nhận được giá trị trả về là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
889Chèn và xóa cộtCách đơn giản nhất để chèn một cột trong Pandas DataFrame là làm theo quy trình tương tự mà bạn sử dụng khi thêm một mục vào từ điển. Đây là cách bạn có thể nối thêm cột chứa điểm của ứng viên trong bài kiểm tra JavaScript >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
98Bây giờ Khung dữ liệu ban đầu có thêm một cột, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
913, ở cuốiBạn không cần phải cung cấp đầy đủ chuỗi giá trị. Bạn có thể thêm một cột mới với một giá trị duy nhất >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
99Khung dữ liệu >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 hiện có một cột bổ sung chứa đầy số khôngNếu trước đây bạn đã sử dụng từ điển, thì cách chèn cột này có thể quen thuộc với bạn. Tuy nhiên, nó không cho phép bạn chỉ định vị trí của cột mới. Nếu vị trí của cột mới là quan trọng, thì bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
915 để thay thế>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
10Bạn vừa chèn một cột khác có điểm của bài kiểm tra Django. Tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
916 xác định vị trí hoặc chỉ mục dựa trên 0 của cột mới trong Khung dữ liệu Pandas. >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
917 đặt nhãn cho cột mới và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
918 chỉ định giá trị dữ liệu cần chènBạn có thể xóa một hoặc nhiều cột khỏi Khung dữ liệu Pandas giống như cách bạn làm với từ điển Python thông thường, bằng cách sử dụng câu lệnh >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
919>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
11Bây giờ bạn có >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 không có cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
921. Một điểm tương đồng khác với từ điển là khả năng sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
922, loại bỏ cột đã chỉ định và trả về cột đó. Điều đó có nghĩa là bạn có thể làm điều gì đó như >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
923 thay vì sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
919Bạn cũng có thể xóa một hoặc nhiều cột bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
908 như bạn đã làm trước đây với các hàng. Một lần nữa, bạn cần chỉ định nhãn của các cột mong muốn với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
910. Ngoài ra khi muốn bỏ cột cần cung cấp thêm đối số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
927>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
12Bạn đã xóa cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
6 khỏi DataFrame của mìnhTheo mặc định, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
908 trả về DataFrame mà không có các cột được chỉ định trừ khi bạn vượt qua >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
911Loại bỏ các quảng cáoÁp dụng các phép toán số họcBạn có thể áp dụng các phép toán số học cơ bản như cộng, trừ, nhân và chia cho các đối tượng Pandas >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 giống như cách bạn làm với mảng NumPy>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
13Bạn có thể sử dụng kỹ thuật này để chèn một cột mới vào Khung dữ liệu Pandas. Ví dụ: hãy thử tính điểm >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
933 dưới dạng kết hợp tuyến tính của điểm số Python, Django và JavaScript của ứng viên của bạn>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
14Giờ đây, Khung dữ liệu của bạn có một cột có điểm số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
933 được tính từ điểm kiểm tra cá nhân của ứng viên của bạn. Thậm chí tốt hơn, bạn đã đạt được điều đó chỉ với một tuyên bốÁp dụng các hàm NumPy và SciPyHầu hết các thói quen NumPy và SciPy có thể được áp dụng cho các đối tượng Pandas >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
819 dưới dạng đối số thay vì dưới dạng mảng NumPy. Để minh họa điều này, bạn có thể tính tổng điểm kiểm tra của ứng viên bằng quy trình NumPy >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
937Thay vì chuyển một mảng NumPy tới >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
937, bạn sẽ chuyển một phần của Khung dữ liệu Pandas của mình>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
15Biến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
939 hiện đề cập đến DataFrame với điểm số Python, Django và JavaScript. Bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
939 làm đối số của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
937 và nhận tổ hợp tuyến tính của các cột có trọng số đã chỉ địnhNhưng đó không phải là tất cả. Bạn có thể sử dụng mảng NumPy được trả về bởi >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
942 như một cột mới của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829. Đầu tiên, xóa cột hiện có >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
933 khỏi >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829, sau đó nối thêm cột mới bằng cách sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
942>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
16Kết quả giống như trong ví dụ trước, nhưng ở đây bạn đã sử dụng hàm NumPy hiện có thay vì viết mã của riêng bạn Sắp xếp khung dữ liệu PandasBạn có thể sắp xếp Pandas DataFrame với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
947>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
17Ví dụ này sắp xếp DataFrame của bạn theo các giá trị trong cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
913. Tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
949 đặt nhãn của hàng hoặc cột để sắp xếp theo. >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
950 chỉ định xem bạn muốn sắp xếp theo thứ tự tăng dần (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892) hay giảm dần (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862), thứ tự sau là cài đặt mặc định. Bạn có thể bỏ qua >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
953 để chọn sắp xếp theo hàng (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
954) hay cột (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
927)Nếu bạn muốn sắp xếp theo nhiều cột, thì chỉ cần chuyển danh sách làm đối số cho >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
949 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
950>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
18Trong trường hợp này, DataFrame được sắp xếp theo cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
933, nhưng nếu hai giá trị giống nhau thì thứ tự của chúng được xác định bởi các giá trị từ cột >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3Tham số tùy chọn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
960 cũng có thể được sử dụng với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
947. Nó được đặt thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862 theo mặc định, đảm bảo >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
947 trả về một Khung dữ liệu Pandas mới. Khi bạn đặt >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
911, DataFrame hiện có sẽ được sửa đổi và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
947 sẽ trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
889Nếu bạn đã từng thử sắp xếp các giá trị trong Excel, thì bạn có thể thấy cách tiếp cận Pandas hiệu quả và thuận tiện hơn nhiều. Khi bạn có lượng dữ liệu lớn, Pandas có thể vượt trội đáng kể so với Excel Để biết thêm thông tin về sắp xếp trong Pandas, hãy xem Pandas Sort. Hướng dẫn sắp xếp dữ liệu trong Python của bạn Loại bỏ các quảng cáoLọc dữ liệuLọc dữ liệu là một tính năng mạnh mẽ khác của Pandas. Nó hoạt động tương tự như lập chỉ mục với mảng Boolean trong NumPy Nếu bạn áp dụng một số thao tác logic trên đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820, thì bạn sẽ nhận được một Sê-ri khác có giá trị Boolean là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
19Trong trường hợp này, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
970 trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 cho những hàng có điểm Django lớn hơn hoặc bằng 80. Nó trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862 cho các hàng có điểm Django nhỏ hơn 80Bây giờ bạn có Sê-ri >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
973 chứa đầy dữ liệu Boolean. Biểu thức >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
974 trả về một Khung dữ liệu Pandas với các hàng từ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
829 tương ứng với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 trong >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
973>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
20Như bạn có thể thấy, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
978, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
979, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
980 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
981 là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892, vì vậy >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
974 chứa các hàng có các nhãn này. Mặt khác, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
984, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
985 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
986 là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862, vì vậy các hàng tương ứng không xuất hiện trong >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
974Bạn có thể tạo các biểu thức phức tạp và mạnh mẽ bằng cách kết hợp các phép toán logic với các toán tử sau >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
989 (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
990)>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
991 (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
992)>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
993 (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
994)>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
995 (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
996)
Ví dụ: bạn có thể nhận DataFrame với các ứng viên có >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
913 lớn hơn hoặc bằng 80>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
21Biểu thức >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
999 trả về một Sê-ri có >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 ở các hàng mà cả >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
3 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
913 đều lớn hơn hoặc bằng 80 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862 ở các hàng khác. Trong trường hợp này, chỉ những hàng có nhãn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
104 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
878 mới thỏa mãn cả hai điều kiệnBạn cũng có thể áp dụng các quy trình logic NumPy thay vì các toán tử Đối với một số hoạt động yêu cầu lọc dữ liệu, sẽ thuận tiện hơn khi sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
106. Nó thay thế các giá trị ở những vị trí không thỏa mãn điều kiện được cung cấp>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
22Trong ví dụ này, điều kiện là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
970. Các giá trị của Khung dữ liệu hoặc Sê-ri gọi >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
106 sẽ giữ nguyên khi điều kiện là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 và sẽ được thay thế bằng giá trị của >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
110 (trong trường hợp này là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
111) khi điều kiện là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862Xác định thống kê dữ liệuPandas cung cấp nhiều phương pháp thống kê cho DataFrames. Bạn có thể lấy số liệu thống kê cơ bản cho các cột số của Khung dữ liệu Pandas với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
113>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
23Ở đây, ________ 7113 trả về một Khung dữ liệu mới với số lượng hàng được chỉ định bởi ________ 7115, cũng như giá trị trung bình, độ lệch chuẩn, tối thiểu, tối đa và phần tư của các cột Nếu bạn muốn nhận số liệu thống kê cụ thể cho một số hoặc tất cả các cột của mình, thì bạn có thể gọi các phương thức như >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
116 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
117>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
24Khi được áp dụng cho Khung dữ liệu Pandas, các phương thức này trả về Sê-ri với kết quả cho từng cột. Khi được áp dụng cho một đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820 hoặc một cột của DataFrame, các phương thức này sẽ trả về các giá trị vô hướngĐể tìm hiểu thêm về tính toán thống kê với Pandas, hãy xem Thống kê mô tả với Python và NumPy, SciPy và Pandas. Mối tương quan với Python Loại bỏ các quảng cáoXử lý dữ liệu bị thiếuThiếu dữ liệu rất phổ biến trong khoa học dữ liệu và học máy. Nhưng không bao giờ sợ hãi. Pandas có các tính năng rất mạnh để làm việc với dữ liệu bị thiếu. Trên thực tế, tài liệu của nó có toàn bộ phần dành riêng để làm việc với dữ liệu bị thiếu Pandas thường đại diện cho dữ liệu bị thiếu với các giá trị NaN (không phải số). Trong Python, bạn có thể nhận NaN bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
119, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
120 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
121. Bắt đầu với Pandas 1. 0, các loại mới hơn như >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
896, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
123, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
124, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
125 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
126 sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
127 làm giá trị bị thiếuĐây là một ví dụ về Khung dữ liệu Pandas có giá trị bị thiếu >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
25Biến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
864 đề cập đến DataFrame với một cột, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
858 và bốn giá trị. Giá trị thứ ba là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
130 và được coi là bị thiếu theo mặc địnhTính toán với dữ liệu bị thiếuNhiều phương thức của Pandas bỏ qua các giá trị >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
130 khi thực hiện các phép tính trừ khi chúng được hướng dẫn rõ ràng là không được>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
26Trong ví dụ đầu tiên, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
132 tính giá trị trung bình mà không tính đến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
133 (giá trị thứ ba). Nó chỉ lấy >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
134, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
135 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
136 và trả về giá trị trung bình của chúng là 2. 33Tuy nhiên, nếu bạn hướng dẫn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
116 không bỏ qua các giá trị >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
130 với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
139, thì nó sẽ xem xét chúng và trả về >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
130 nếu có bất kỳ giá trị nào bị thiếu trong dữ liệuĐiền dữ liệu còn thiếuPandas có một số tùy chọn để điền hoặc thay thế các giá trị bị thiếu bằng các giá trị khác. Một trong những phương pháp thuận tiện nhất là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
141. Bạn có thể sử dụng nó để thay thế các giá trị còn thiếu bằng- Giá trị được chỉ định
- Các giá trị trên giá trị còn thiếu
- Các giá trị bên dưới giá trị bị thiếu
Đây là cách bạn có thể áp dụng các tùy chọn được đề cập ở trên >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
27Trong ví dụ đầu tiên, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
142 thay thế giá trị còn thiếu bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
111 mà bạn đã chỉ định bằng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
918. Trong ví dụ thứ hai, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
145 thay thế giá trị bị thiếu bằng giá trị ở trên nó, đó là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
135. Trong ví dụ thứ ba, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
147 sử dụng giá trị bên dưới giá trị bị thiếu, đó là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
136Một tùy chọn phổ biến khác là áp dụng phép nội suy và thay thế các giá trị bị thiếu bằng các giá trị được nội suy. Bạn có thể làm điều này với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
149>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
28Như bạn có thể thấy, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
149 thay thế giá trị còn thiếu bằng một giá trị được nội suyBạn cũng có thể sử dụng tham số tùy chọn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
960 với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
141. Làm như vậy sẽ- Tạo và trả lại một DataFrame mới khi
>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
153 - Sửa đổi DataFrame hiện có và trả về
>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
889 khi >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
911
Cài đặt mặc định cho >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
960 là >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
862. Tuy nhiên, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
911 có thể rất hữu ích khi bạn đang làm việc với lượng lớn dữ liệu và muốn ngăn việc sao chép không cần thiết và không hiệu quảLoại bỏ các quảng cáoXóa hàng và cột có dữ liệu bị thiếuTrong một số trường hợp nhất định, bạn có thể muốn xóa các hàng hoặc thậm chí các cột có giá trị bị thiếu. Bạn có thể làm điều này với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
159>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
29Trong trường hợp này, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
159 chỉ cần xóa hàng có >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
130, bao gồm cả nhãn của nó. Nó cũng có tham số tùy chọn >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
960, hoạt động tương tự như với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
141 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
149Lặp lại qua Khung dữ liệu PandasNhư bạn đã học trước đó, nhãn hàng và cột của DataFrame có thể được truy xuất theo trình tự với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
874 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
875. Bạn có thể sử dụng tính năng này để lặp lại các nhãn và nhận hoặc đặt giá trị dữ liệu. Tuy nhiên, Pandas cung cấp một số phương thức thuận tiện hơn để lặp lại>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
167 để lặp qua các cột>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
168 để lặp qua các cột>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
169 để lặp qua các hàng>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
170 để lặp lại các hàng và nhận các bộ dữ liệu được đặt tên
Với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
167 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
168, bạn lặp qua các cột của Khung dữ liệu Pandas. Mỗi lần lặp tạo ra một bộ có tên cột và dữ liệu cột dưới dạng đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
60Đó là cách bạn sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
167 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
168Với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
169, bạn lặp qua các hàng của Khung dữ liệu Pandas. Mỗi lần lặp tạo ra một bộ có tên hàng và dữ liệu hàng dưới dạng đối tượng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
820>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
61Đó là cách bạn sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
169Tương tự, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
170 lặp qua các hàng và trong mỗi lần lặp tạo ra một bộ dữ liệu được đặt tên với (tùy chọn) chỉ mục và dữ liệu>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
62Bạn có thể chỉ định tên của bộ được đặt tên với tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
4, được đặt thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
181 theo mặc định. Bạn cũng có thể chỉ định có bao gồm nhãn hàng với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
852 hay không, nhãn này được đặt thành >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
892 theo mặc địnhLàm việc với chuỗi thời gianPandas vượt trội trong việc xử lý chuỗi thời gian. Mặc dù chức năng này một phần dựa trên datetimes và timedeltas NumPy, Pandas cung cấp tính linh hoạt hơn nhiều Tạo khung dữ liệu với nhãn chuỗi thời gianTrong phần này, bạn sẽ tạo Khung dữ liệu Pandas bằng cách sử dụng dữ liệu nhiệt độ hàng giờ từ một ngày Bạn có thể bắt đầu bằng cách tạo một danh sách (hoặc bộ dữ liệu, mảng NumPy hoặc loại dữ liệu khác) với các giá trị dữ liệu, sẽ là nhiệt độ hàng giờ được tính bằng độ C >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
63Bây giờ bạn có biến >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
184, tham chiếu đến danh sách các giá trị nhiệt độBước tiếp theo là tạo một chuỗi ngày và giờ. Pandas cung cấp một chức năng rất tiện lợi, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
185, cho mục đích này>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
64>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
185 chấp nhận các đối số mà bạn sử dụng để chỉ định điểm bắt đầu hoặc điểm kết thúc của phạm vi, số khoảng thời gian, tần suất, múi giờ, v.v.Ghi chú. Mặc dù có sẵn các tùy chọn khác, Pandas chủ yếu sử dụng định dạng ngày và giờ theo tiêu chuẩn ISO 8601 theo mặc định Bây giờ bạn đã có các giá trị nhiệt độ và ngày giờ tương ứng, bạn có thể tạo DataFrame. Trong nhiều trường hợp, thật thuận tiện khi sử dụng các giá trị ngày giờ làm nhãn hàng >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
65Đó là nó. Bạn đã tạo một DataFrame với dữ liệu chuỗi thời gian và chỉ số hàng ngày-thời gian Loại bỏ các quảng cáoLập chỉ mục và cắt látKhi bạn có Khung dữ liệu Pandas với dữ liệu chuỗi thời gian, bạn có thể thuận tiện áp dụng cắt để lấy một phần thông tin >>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
66Ví dụ này cho thấy làm thế nào để trích xuất nhiệt độ giữa 05. 00 và 14. 00 (5 một. m. và 2p. m. ). Mặc dù bạn đã cung cấp các chuỗi nhưng Pandas biết rằng các nhãn hàng của bạn là các giá trị ngày-thời gian và hiểu các chuỗi này là ngày và giờ Lấy mẫu lại và lănBạn vừa xem cách kết hợp các nhãn hàng ngày-thời gian và sử dụng tính năng cắt để lấy thông tin bạn cần từ dữ liệu chuỗi thời gian. Điều này chỉ là khởi đầu. Nó trở nên tốt hơn Nếu bạn muốn chia một ngày thành bốn khoảng thời gian sáu giờ và lấy nhiệt độ trung bình cho mỗi khoảng thời gian, thì bạn chỉ cần một câu lệnh để thực hiện điều đó. Pandas cung cấp phương thức >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
187, bạn có thể kết hợp phương thức này với các phương thức khác, chẳng hạn như >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
116>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
67Bây giờ bạn có một Khung dữ liệu Pandas mới với bốn hàng. Mỗi hàng tương ứng với một khoảng thời gian sáu giờ. Ví dụ: giá trị >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
189 là giá trị trung bình của sáu nhiệt độ đầu tiên từ DataFrame >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
190, trong khi đó >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
191 là giá trị trung bình của sáu nhiệt độ cuối cùngThay vì >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
116, bạn có thể áp dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
193 hoặc >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
194 để có nhiệt độ tối thiểu và tối đa cho mỗi khoảng thời gian. Bạn cũng có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
195 để lấy tổng các giá trị dữ liệu, mặc dù thông tin này có thể không hữu ích khi bạn làm việc với nhiệt độBạn cũng có thể cần thực hiện một số phân tích cửa sổ cuộn. Điều này liên quan đến việc tính toán thống kê cho một số hàng liền kề được chỉ định, tạo nên cửa sổ dữ liệu của bạn. Bạn có thể “cuộn” cửa sổ bằng cách chọn một tập hợp các hàng liền kề khác để thực hiện các phép tính của mình trên Cửa sổ đầu tiên của bạn bắt đầu với hàng đầu tiên trong DataFrame của bạn và bao gồm bao nhiêu hàng liền kề mà bạn chỉ định. Sau đó, bạn di chuyển cửa sổ của mình xuống một hàng, bỏ hàng đầu tiên và thêm hàng ngay sau hàng cuối cùng và tính lại thống kê tương tự. Bạn lặp lại quy trình này cho đến khi đến hàng cuối cùng của DataFrame Pandas cung cấp phương thức >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
196 cho mục đích này>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
68Bây giờ bạn có một DataFrame với nhiệt độ trung bình được tính cho một số khoảng thời gian ba giờ. Tham số >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
197 chỉ định kích thước của cửa sổ thời gian di chuyểnTrong ví dụ trên, giá trị thứ ba ( >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
198) là nhiệt độ trung bình trong ba giờ đầu tiên (>>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
199, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
200 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
201). Giá trị thứ tư là nhiệt độ trung bình trong các giờ >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
201, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
203 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
204. Giá trị cuối cùng là nhiệt độ trung bình trong ba giờ qua, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
205, >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
206 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
207. Hai giá trị đầu tiên bị thiếu vì không có đủ dữ liệu để tính toán chúngVẽ sơ đồ với Pandas DataFramesPandas cho phép bạn trực quan hóa dữ liệu hoặc tạo các ô dựa trên DataFrames. Nó sử dụng Matplotlib trong nền, vì vậy việc khai thác khả năng vẽ đồ thị của Pandas rất giống với cách làm việc với Matplotlib Nếu bạn muốn hiển thị các ô, thì trước tiên bạn cần nhập >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
208>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
69Bây giờ bạn có thể sử dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
209 để tạo cốt truyện và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
210 để hiển thị nó>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
0Bây giờ ________ 7211 trả về một đối tượng ________ 7212 trông như thế này Bạn cũng có thể áp dụng >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
213 và nhận được kết quả tương tự. Cả >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
211 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
213 đều có nhiều tham số tùy chọn mà bạn có thể sử dụng để chỉ định giao diện cho cốt truyện của mình. Một số trong số chúng được chuyển trực tiếp đến các phương thức Matplotlib cơ bảnBạn có thể lưu số liệu của mình bằng cách xâu chuỗi các phương thức >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
216 và >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
217>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
1Câu lệnh này tạo cốt truyện và lưu nó dưới dạng tệp có tên >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
218 trong thư mục làm việc của bạnBạn có thể nhận các loại ô khác với Khung dữ liệu Pandas. Ví dụ: bạn có thể trực quan hóa dữ liệu ứng viên công việc của mình từ trước đó dưới dạng biểu đồ với >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
219>>> >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
2Trong ví dụ này, bạn trích xuất điểm kiểm tra Python và dữ liệu tổng điểm và trực quan hóa nó bằng biểu đồ. Cốt truyện kết quả trông như thế này Đây chỉ là cái nhìn cơ bản. Bạn có thể điều chỉnh chi tiết với các thông số tùy chọn bao gồm >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
219, Matplotlib’s >>> df.loc[103]
name Jana
city Prague
age 33
py-score 81
Name: 103, dtype: object
221 và nhiều thông số khác. Bạn có thể tìm thấy các giải thích chi tiết trong Anatomy of MatplotlibĐọc thêmPandas DataFrames là các đối tượng rất toàn diện hỗ trợ nhiều thao tác không được đề cập trong hướng dẫn này. Một số trong số này bao gồm - Lập chỉ mục phân cấp (đa cấp)
- nhóm
- Hợp nhất, tham gia và nối
- Làm việc với dữ liệu phân loại
Hướng dẫn chính thức của Pandas tóm tắt một số tùy chọn có sẵn một cách độc đáo. Nếu bạn muốn tìm hiểu thêm về Pandas và DataFrames, thì bạn có thể xem các hướng dẫn này - Làm sạch dữ liệu Pythonic với Pandas và NumPy
- Khung dữ liệu gấu trúc 101
- Giới thiệu về Pandas và Vincent
- gấu trúc trăn. Thủ thuật & Tính năng có thể bạn chưa biết
- gấu trúc thành ngữ. Thủ thuật & Tính năng có thể bạn chưa biết
- Đọc CSV với Pandas
- Viết CSV Với Pandas
- Đọc và ghi tệp CSV bằng Python
- Đọc và ghi tệp CSV
- Sử dụng Pandas để đọc các tệp Excel lớn bằng Python
- Nhanh chóng, linh hoạt, dễ dàng và trực quan. Cách tăng tốc các dự án Pandas của bạn
Bạn đã biết rằng Pandas DataFrames xử lý dữ liệu hai chiều. Nếu bạn cần làm việc với dữ liệu được gắn nhãn ở nhiều hơn hai chiều, bạn có thể xem xarray, một thư viện Python mạnh mẽ khác dành cho khoa học dữ liệu với các tính năng rất giống với Pandas Nếu bạn làm việc với dữ liệu lớn và muốn có trải nghiệm giống như DataFrame, thì bạn có thể cho Dask một cơ hội và sử dụng API DataFrame của nó. Khung dữ liệu Dask chứa nhiều Khung dữ liệu Pandas và thực hiện tính toán một cách lười biếng Sự kết luậnBây giờ bạn đã biết Pandas DataFrame là gì, một số tính năng của nó và cách bạn có thể sử dụng nó để làm việc với dữ liệu một cách hiệu quả. Pandas DataFrames là cấu trúc dữ liệu mạnh mẽ, thân thiện với người dùng mà bạn có thể sử dụng để hiểu sâu hơn về bộ dữ liệu của mình Trong hướng dẫn này, bạn đã học - Pandas DataFrame là gì và cách tạo một DataFrame
- Cách truy cập, sửa đổi, thêm, sắp xếp, lọc và xóa dữ liệu
- Cách sử dụng các thói quen NumPy với DataFrames
- Cách xử lý các giá trị bị thiếu
- Cách làm việc với dữ liệu chuỗi thời gian
- Cách trực quan hóa dữ liệu có trong DataFrames
Bạn đã học đủ kiến thức cơ bản về DataFrames. Nếu bạn muốn tìm hiểu sâu hơn về cách làm việc với dữ liệu trong Python, thì hãy xem toàn bộ phạm vi hướng dẫn của Pandas Nếu bạn có câu hỏi hoặc ý kiến, xin vui lòng đặt chúng trong phần bình luận bên dưới Đánh dấu là đã hoàn thành Xem ngay Hướng dẫn này có một khóa học video liên quan do nhóm Real Python tạo. Xem nó cùng với hướng dẫn bằng văn bản để hiểu sâu hơn. Khung dữ liệu Pandas. Làm việc với dữ liệu một cách hiệu quả 🐍 Thủ thuật Python 💌 Nhận một Thủ thuật Python ngắn và hấp dẫn được gửi đến hộp thư đến của bạn vài ngày một lần. Không có thư rác bao giờ. Hủy đăng ký bất cứ lúc nào. Được quản lý bởi nhóm Real Python Gửi cho tôi thủ thuật Python »Giới thiệu về Mirko Stojiljković Mirko có bằng tiến sĩ. D. trong Kỹ thuật cơ khí và làm việc như một giáo sư đại học. Anh là một Pythonista, người áp dụng các phương pháp tối ưu hóa kết hợp và máy học để hỗ trợ ra quyết định trong lĩnh vực năng lượng » Thông tin thêm về Mirko
Mỗi hướng dẫn tại Real Python được tạo bởi một nhóm các nhà phát triển để nó đáp ứng các tiêu chuẩn chất lượng cao của chúng tôi. Các thành viên trong nhóm đã làm việc trong hướng dẫn này là Aldren Geir Arne Joanna Gia-cốp Kyle Bậc thầy Kỹ năng Python trong thế giới thực Với quyền truy cập không giới hạn vào Python thực Tham gia với chúng tôi và có quyền truy cập vào hàng nghìn hướng dẫn, khóa học video thực hành và cộng đồng các Pythonistas chuyên gia Nâng cao kỹ năng Python của bạn » Bậc thầy Kỹ năng Python trong thế giới thực Với quyền truy cập không giới hạn vào Python thực Tham gia với chúng tôi và có quyền truy cập vào hàng ngàn hướng dẫn, khóa học video thực hành và cộng đồng Pythonistas chuyên gia Nâng cao kỹ năng Python của bạn » Bạn nghĩ sao? Đánh giá bài viết này Tweet Chia sẻ Chia sẻ EmailBài học số 1 hoặc điều yêu thích mà bạn đã học được là gì? Mẹo bình luận. Những nhận xét hữu ích nhất là những nhận xét được viết với mục đích học hỏi hoặc giúp đỡ các sinh viên khác. Nhận các mẹo để đặt câu hỏi hay và nhận câu trả lời cho các câu hỏi phổ biến trong cổng thông tin hỗ trợ của chúng tôi |