iddietpulsetime kind01ít béo851 phút nghỉ ngơi11ít béo8515 phút nghỉ ngơi21ít béo8830 phút nghỉ ngơi32ít béo901 phút nghỉ ngơi42ít béo9215 phút nghỉ ngơi Show
4. 5. 3. Chia Khung dữ liệu gấu trúc lớn thành các phầnLà một chuyên gia dữ liệu, bạn có thể làm việc với các tập dữ liệu lớn không vừa với bộ nhớ Khi xử lý các bộ dữ liệu này, bạn có thể chia dữ liệu thành các phần nhỏ hơn bằng cách sử dụng tham số df = pd.read_csv('data2.csv', index_col=0) print(df)2 của gấu trúc Trong đoạn mã dưới đây, không sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)2 mất trung bình 2. 33s để chạy. Sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)4 mất trung bình 424 µs để chạy, nhanh hơn 563 nghìn lần import pandas as pd import warnings warnings.filterwarnings("ignore") %%timeit pd.read_csv('../data/flight_data_2018_to_2022.csv') 2.33 s ± 58.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) df = pd.read_csv('../data/flight_data_2018_to_2022.csv') df.shape Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 60 Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 61 Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 62 Chúng ta có thể thấy rằng việc sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)4 chia DataFrame thành 6 phần, 5 trong số đó có 100000 hàng Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 63 Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 64 4. 5. 4. Đọc bảng HTML bằng PandasNếu bạn muốn nhanh chóng trích xuất một bảng trên trang web và biến nó thành Khung dữ liệu Pandas, hãy sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)6. Trong đoạn mã dưới đây, tôi đã trích xuất bảng từ trang Wikipedia trong một dòng mã Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 65 Vùng$1 mỗi ngày$1. 25 mỗi ngày[94]$1. 90 mỗi ngày[95]Khu vực199020022004198120081981199020002010201520180Đông Á và Thái Bình Dương15. 4%12. 3%9. 1%77. 2%14. 3%80. 2%60. 9%34. 8%10. 8%2. 1%1. 2%1Châu Âu và Trung Á3. 6%1. 3%1. 0%1. 9%0. 5%——7. 3%2. 4%1. 5%1. 1%2 Mỹ Latinh và Caribê 9. 6%9. 1%8. 6%11. 9%6. 5%13. 7%15. 5%12. 7%6%3. 7%3. 7%3 Trung Đông và Bắc Phi 2. 1%1. 7%1. 5%9. 6%2. 7%—6. 5%3. 5%2%4. 3%7%4Nam Á35. 0%33. 4%30. 8%61. 1%36%58%49. 1%—26%——5 Châu Phi cận Sahara 46. 1%42. 6%41. 1%51. 5%47. 5%—54. 9%58. 4%46. 6%42. 3%40. 4%6Thế giới———52. 2%22. 4%42. 7%36. 2%27. 8%16%10. 1%— 4. 5. 5. Khung dữ liệu. sao chép(). Tạo một bản sao của DataFrameBạn đã bao giờ thử tạo một bản sao của DataFrame bằng cách sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)7 chưa? . Như vậy, việc thay đổi DataFrame mới cũng sẽ thay đổi DataFrame ban đầu Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 66 col1col2014125236 Unnamed: 0 a b 0 0 1 4 1 1 2 5 2 2 3 67 col1col2074185296 Một cách tốt hơn để tạo một bản sao là sử dụng df = pd.read_csv('data2.csv', index_col=0) print(df)8. Bây giờ, việc thay đổi bản sao sẽ không ảnh hưởng đến DataFrame gốc Phương pháp tạo DataFrame là gì?Do đó, phương pháp đầu tiên và quan trọng nhất để tạo khung dữ liệu là đọc tệp csv , đây là thao tác đơn giản trong Pandas. Chúng ta chỉ cần cung cấp đường dẫn tệp cho hàm read_csv. Hàm read_csv rất linh hoạt. Nó có một số tham số cho phép sửa đổi tệp csv trong khi đọc.
Làm cách nào để tạo DataFrame mới từ DataFrame hiện có trong Python?Sử dụng DataFrame. Chọn các cột từ DataFrame ban đầu và sao chép cột đó để tạo DataFrame mới bằng hàm copy() . Sản lượng dưới sản lượng. Ngoài ra, Bạn cũng có thể sử dụng DataFrame. filter() để tạo bản sao và tạo DataFrame mới bằng cách chọn các cột cụ thể.
Làm cách nào để tạo tập dữ liệu trong Python?Làm cách nào để tạo Tập dữ liệu bằng Python? . Để tạo tập dữ liệu cho bài toán phân loại với python, chúng ta sử dụng phương thức make_classification có sẵn trong thư viện sci-kit learn. . Phương thức make_classification trả về theo mặc định, ndarrays tương ứng với biến/tính năng và mục tiêu/đầu ra Có bao nhiêu cách chúng ta có thể tạo DataFrame?5 cách để tạo khung dữ liệu gấu trúc bằng Python |
