Нарезка, индексирование, манипулирование и очистка фрейма данных Pandas
С помощью Pandas мы можем выполнять множество функций с набором данных, таких как нарезка, индексирование, манипулирование и очистка фрейма данных.
Случай 1. Нарезка кадра данных Pandas с использованием DataFrame.iloc []
Example 1: Slicing Rows
Python3
# importing pandas libraryimport pandas as pd # Initializing the nested list with Data setplayer_list = [["M.S.Dhoni", 36, 75, 5428000], ["A.B.D Villers", 38, 74, 3428000], ["V.Kholi", 31, 70, 8428000], ["S.Smith", 34, 80, 4428000], ["C.Gayle", 40, 100, 4528000], ["J.Root", 33, 72, 7028000], ["K.Peterson", 42, 85, 2528000]] # creating a pandas dataframedf = pd.DataFrame(player_list, columns=["Name", "Age", "Weight", "Salary"]) # data frame before slicingdf |
Выход:
Python3
# Slicing rows in data framedf1 = df.iloc[0:4] # data frame after slicingdf1 |
Выход:
В приведенном выше примере мы вырезали строки из фрейма данных.
Example 2: Slicing Columns
Python3
# importing pandas libraryimport pandas as pd # Initializing the nested list with Data setplayer_list = [["M.S.Dhoni", 36, 75, 5428000], ["A.B.D Villers", 38, 74, 3428000], ["V.Kholi", 31, 70, 8428000], ["S.Smith", 34, 80, 4428000], ["C.Gayle", 40, 100, 4528000], ["J.Root", 33, 72, 7028000], ["K.Peterson", 42, 85, 2528000]] # creating a pandas dataframedf = pd.DataFrame(player_list, columns=["Name", "Age", "Weight", "Salary"]) # data frame before slicingdf |
Выход:
Python3
# Slicing columnss in data framedf1 = df.iloc[:,0:2] # data frame after slicingdf1 |
Выход:
В приведенном выше примере мы вырезали столбцы из фрейма данных.
Case 2: Indexing Pandas Data frame
Python3
# importing pandas libraryimport pandas as pd # Initializing the nested list with Data setplayer_list = [["M.S.Dhoni", 36, 75, 5428000], ["A.B.D Villers", 38, 74, 3428000], ["V.Kholi", 31, 70, 8428000], ["S.Smith", 34, 80, 4428000], ["C.Gayle", 40, 100, 4528000], ["J.Root", 33, 72, 7028000], ["K.Peterson", 42, 85, 2528000]] # creating a pandas dataframe and indexing it using Aplhabetsdf = pd.DataFrame(player_list, columns=["Name", "Age", "Weight", "Salary"], index=["A", "B", "C", "D", "E", "F", "G"]) # Displaying data framedf |
Выход:
В приведенном выше примере мы индексируем фрейм данных.
Случай 3: манипулирование фреймом данных Pandas
Манипулирование фреймом данных можно выполнять несколькими способами, например, применять функции, изменять тип данных столбцов, разбивать, добавлять строки и столбцы во фрейм данных и т. Д.
Example 1: Applying lambda function to a column using Dataframe.assign()
Python3
# importing pandas libraryimport pandas as pd # creating and initializing a listvalues = [["Rohan", 455], ["Elvish", 250], ["Deepak", 495], ["Sai", 400], ["Radha", 350], ["Vansh", 450]] # creating a pandas dataframedf = pd.DataFrame(values, columns=["Name", "Univ_Marks"]) # Applying lambda function to find percentage of# "Univ_Marks" column using df.assign()df = df.assign(Percentage=lambda x: (x["Univ_Marks"] / 500 * 100)) # displaying the data framedf |
Выход:
В приведенном выше примере лямбда-функция применяется к столбцу Univ_Marks, и с его помощью формируется новый столбец Percentage.
Example 2: Sorting the Data frame in Ascending order
Python3
# importing pandas libraryimport pandas as pd # Initializing the nested list with Data setplayer_list = [["M.S.Dhoni", 36, 75, 5428000], ["A.B.D Villers", 38, 74, 3428000], ["V.Kholi", 31, 70, 8428000], ["S.Smith", 34, 80, 4428000], ["C.Gayle", 40, 100, 4528000], ["J.Root", 33, 72, 7028000], ["K.Peterson", 42, 85, 2528000]] # creating a pandas dataframedf = pd.DataFrame(player_list, columns=["Name", "Age", "Weight", "Salary"]) # Sorting by column "Weight"df.sort_values(by=["Weight"]) |
Выход:
В приведенном выше примере мы сортируем фрейм данных по столбцу «Вес».
Case 4: Cleaning Pandas Data frame
Python3
# importing pandas and Numpy librariesimport pandas as pdimport numpy as np # Initializing the nested list with Data setplayer_list = [["M.S.Dhoni", 36, 75, 5428000], ["A.B.D Villers", np.nan, 74, np.nan], ["V.Kholi", 31, 70, 8428000], ["S.Smith", 34, 80, 4428000], ["C.Gayle", np.nan, 100, np.nan], [np.nan, 33, np.nan, 7028000], ["K.Peterson", 42, 85, 2528000]] # creating a pandas dataframedf = pd.DataFrame(player_list, columns=["Name", "Age", "Weight", "Salary"]) df |
Выход:
Python3
# Checking for missing valuesdf.isnull().sum() |
Выход:
Python3
# dropping or cleaning the missing data df= df.dropna() df |
Выход:
В приведенном выше примере мы очищаем все недостающие значения из набора данных.
Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.
Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.