Làm cách nào để xem tất cả các hàng trong python?

kịch bản

Không ai đã đề xuất giải pháp văn bản đơn giản này

from pprint import pprint

pprint(s.to_dict())

mà tạo ra kết quả như sau

{'% Diabetes': 0.06365372374283895,
 '% Obesity': 0.06365372374283895,
 '% Bachelors': 0.0,
 '% Poverty': 0.09548058561425843,
 '% Driving Deaths': 1.1775938892425206,
 '% Excessive Drinking': 0.06365372374283895}

Máy tính xách tay Jupyter

Ngoài ra khi sử dụng notebook Jupyter thì đây là một giải pháp tuyệt vời

Ghi chú. pd.Series() không có .to_html() nên phải chuyển thành pd.DataFrame()

from IPython.display import display, HTML

display(HTML(s.to_frame().to_html()))

mà tạo ra kết quả như sau

“Pandas” là một trong những thư viện mã nguồn mở mà ngôn ngữ lập trình “Python” cung cấp. Thư viện này rất hiệu quả và dễ sử dụng. Bất cứ khi nào chúng tôi cần phân tích hoặc thay đổi dữ liệu, chúng tôi cần thư viện gấu trúc này. Chúng tôi cũng có thể tạo DataFrames để thực hiện các quy trình khác nhau. Các hàng và cột kết hợp tạo nên DataFrame. Đôi khi, chúng tôi cần in tất cả các hàng của DataFrame sau khi xây dựng DataFrames trong “gấu trúc. “Gấu trúc” cung cấp “pd. set_option()” để in tất cả các hàng của DataFrame. Chúng tôi có thể sử dụng kỹ thuật này để in tất cả các hàng của DataFrame trên thiết bị đầu cuối. Trong hướng dẫn này, chúng tôi cũng sẽ giới thiệu kỹ thuật này mà “gấu trúc” cung cấp và in ra toàn bộ các hàng của DataFrame. Ở đây, chúng tôi sẽ trình bày, sử dụng một số ví dụ, cách in tất cả các hàng của DataFrame trên thiết bị đầu cuối. Nhìn vào các mã sau đây;

cú pháp

pd. set_option( ‘hiển thị. max_rows ' , Không có)

Để hiển thị tất cả các hàng của DataFrame, chúng tôi điều chỉnh tham số đầu tiên là “hiển thị. max_rows” và đặt tham số thứ hai của phương thức này thành “None”. Nếu chúng tôi không thêm bất kỳ giá trị nào hoặc “Không” ở đây, thì giá trị mặc định của nó là “10”. "Không" ở đây đại diện cho không giới hạn, do đó, nó sẽ hiển thị tất cả các hàng của DataFrames. Bây giờ, chúng tôi sẽ sử dụng phương pháp này trong mã "gấu trúc" trong hướng dẫn này

Ví dụ #01

Hãy thực hiện các mã này trong ứng dụng “Spyder”. Đối với mã “gấu trúc”, trước tiên chúng tôi nhập một số mô-đun, đó là các mô-đun của “gấu trúc” vì chúng tôi cần chúng trong mã “gấu trúc” của mình. Chúng tôi sử dụng "nhập" để nhập, đó là từ khóa ở đây và chúng tôi viết "gấu trúc dưới dạng pd", có nghĩa là chúng tôi truy cập các mô-đun hoặc chức năng của "gấu trúc" với sự trợ giúp của việc viết "pd" với "gấu trúc . Sau đó, chúng tôi tạo “DR_Pat_detail” trong đó chúng tôi đặt “DR_Name” và “DR_Name” chứa “ABC, DEF, GHI, JKL, MNO, PQR, STU và VWX”

Sau đó, chúng tôi thêm “P_Name” trong đó chúng tôi đặt “ABC, ORT, IHG, LKJ, ONM, RTS, LNP và QRT”. Chúng tôi cũng thêm “Bệnh” ở đây, chứa một số mã bệnh như “E123, G145, Z566, W897, M543, Q467, L399 và K409”. Sau đó, chúng ta phải chuyển đổi “DR_Pat_detail” này thành DataFrame. Với mục đích này, chúng tôi đã sử dụng “pd. Phương thức DataFrame()”

Sau khi sử dụng phương pháp này, “DR_Pat_detail” được chuyển đổi thành “DR_Pat_df”, là DataFrame trong mã này. Sau khi tạo DataFrame này, công việc tiếp theo là in tất cả các hàng của DataFrame này trên thiết bị đầu cuối. Vì vậy, chúng tôi sử dụng phương pháp "gấu trúc", mà chúng tôi đã thảo luận trước đây, để in các hàng của DataFrame. Phương pháp chúng tôi sử dụng ở đây là “pd. phương thức set_option()”. Ngoài ra, chúng tôi đặt tham số đầu tiên của nó là “hiển thị. max_rows” và tham số thứ hai của hàm này là “None” vì chúng tôi muốn in tất cả các hàng của DataFrame này

Sau khi áp dụng chức năng này, chúng tôi thêm “print()” bên dưới. Trong đó chúng tôi đặt tên của DataFrame mà chúng tôi đã tạo trong mã này. Bây giờ, tất cả các hàng của DataFrame sẽ in trên thiết bị đầu cuối

Để nhận đầu ra của mã này, bây giờ chúng ta phải thực thi mã trước đó. Khi chúng tôi nhấn “Shift+Enter” để chạy mã này, kết quả đã cho sẽ được hiển thị. Tất cả các hàng của Khung dữ liệu mà chúng tôi đã thêm vào Khung dữ liệu được in ở đây trên thiết bị đầu cuối và được hiển thị trong ảnh chụp màn hình sau

Ví dụ #02

Chúng tôi cũng có thể trích xuất dữ liệu từ tệp CSV, lưu thông tin của tệp này dưới dạng DataFrame và sử dụng “pd. set_opion()” để hiển thị tất cả các hàng của DataFrame. Chúng tôi sẽ trình bày cách lấy dữ liệu từ CSV và in tất cả các hàng trên thiết bị đầu cuối bằng mã này. Tệp CSV chứa dữ liệu chúng tôi muốn tạo được đọc trước tiên. Các “pd. read_csv” nhận được “foodies. csv”, khiến nó đọc toàn bộ nội dung của tệp này và lưu thông tin vào biến “df”. Dữ liệu từ tệp CSV được chuyển đổi trong DataFrame và được lưu tại đây sau khi sử dụng chức năng này

Bây giờ tệp CSV đã được đọc, chúng tôi muốn in mọi hàng của DataFrame đó. Ở đây, chúng tôi đã giới thiệu “pd. set_option()” và truyền tham số “display. max_rows và Không có”. “df” được đặt trong “print(). ” Sau khi mã này được thực thi, tất cả các hàng của DataFrame sẽ xuất hiện trên thiết bị đầu cuối

Chúng tôi lấy các hàng này từ tệp CSV, được hiển thị trong kết quả này. Khi chúng tôi đọc tệp CSV, dữ liệu của nó sẽ chuyển đổi thành DataFrame. Chúng tôi dễ dàng có tất cả các hàng của DataFrame này và hiển thị tất cả các hàng tại đây

Ví dụ #03

Ví dụ này chứa “Scholarship_df” mà chúng tôi đã tạo ở đây bằng cách sử dụng “pd. Khung dữ liệu()". Giờ đây, bốn cột được thêm vào “Scholarship_df”, đó là “Sr_no, S_Name, S_Dept và Scholarship_%”. Trong “Sr_no”, chúng tôi đã thêm “s_1, s_2, s_3, s_4, s_5, s_6, s_7, s_8 và s_9”. Sau đó đến cột “S_Name” và chúng tôi thêm “George, Taylor, Graham, Samuel, Chloe, Smith, Peter, Jacob và Milli” vào cột “S_Name”. Cột “S_Dept” ở phía trước nơi chúng tôi thêm “Tâm lý học, Khoa học máy tính, Thực vật học, Động vật học, An ninh mạng, Trí tuệ nhân tạo, BBA, DVM và BDS”. Trong cột “Học bổng_%” cuối cùng, chúng tôi thêm tỷ lệ phần trăm học bổng là “80%, 50%, 75%, 40%, 55%, 85%, 97%, 80% và 90%”

“Scholarship_df” được hoàn thành tại đây, bao gồm bốn cột và chín hàng. Sau này, chúng tôi sẽ in tất cả các hàng của DataFrame này. Vì vậy, chúng tôi sử dụng “pd. set_option()” và thêm “display. max_rows” và “None” lần lượt là tham số thứ nhất và thứ hai của hàm này. Sau chức năng này, tên của DataFrame mà chúng tôi đã tạo trong mã này được thêm vào phần “print()” bên dưới. Toàn bộ hàng của DataFrame sẽ in trên thiết bị đầu cuối, như được hiển thị bên dưới

Kết quả sau đây hiển thị tất cả các hàng của DataFrame mà chúng tôi đã chèn vào mã và chúng tôi có được tất cả các hàng này bằng cách sử dụng lệnh “pd. set_option()” trong mã

Ví dụ #04

“Loan_rec” được tạo ở đây và chúng tôi đặt “ApplyLoan_month”, cột này sẽ xuất hiện dưới dạng cột đầu tiên khi chúng tôi thay đổi nó vào DataFrame. Cột này sẽ chứa “21 tháng 12, 21 tháng 10, 21 tháng 11, 21 tháng 4, 21 tháng 5 và 22 tháng 1”. Cột thứ hai là cột “Tên” và chúng tôi đặt “Bromley, Peter, Smith, George, Alexander và James” vào đó. Sau đó, chúng tôi có “Loan_price” và chúng tôi thêm “10000, 210000, 36000, 40000, 15000 và 90000”. Sau “Loan_price”, chúng tôi có “Return_Month” trong đó chúng tôi chèn “23 tháng 1, 23 tháng 3, 23 tháng 5, 24 tháng 4, 24 tháng 1 và 23 tháng 12”. Bây giờ, chúng tôi sử dụng “pd. DataFrame()”, chuyển đổi “Loan_rec” thành “Loan_df”. Sau đó chúng tôi sử dụng “pd. set_option()” và thêm “display. max_rows” và “None” trong phương pháp này

Chúng tôi đang in tất cả các hàng của DataFrame này vào thời điểm này. Tên của DataFrame mà chúng tôi đã tạo trong mã này cũng được thêm vào trong “print()” theo sau. Bây giờ, tất cả các hàng của DataFrame sẽ in trên thiết bị đầu cuối

Tất cả các hàng được hiển thị trong kết quả sau bởi vì chúng tôi đã sử dụng “pd. set_option()” trong đoạn mã trước

Phần kết luận

Khái niệm in tất cả các hàng của DataFrame đã được mô tả rõ trong hướng dẫn này. Chúng ta đã nói về cách “gấu trúc” hoạt động “pd. set_option()” hỗ trợ in tất cả các hàng của DataFrame. Trong mã "gấu trúc" của hướng dẫn này, chúng tôi đã sử dụng phương pháp này và đã thảo luận về cách sử dụng phương pháp này. Tất cả các hàng của DataFrames cũng được hiển thị trong kết quả. Chúng tôi cũng đã giải thích cách đọc CSV và đã hiển thị tất cả các hàng sau khi đọc tệp CSV. Hướng dẫn này giúp bạn hiểu khái niệm in tất cả các hàng của DataFrame một cách đơn giản vì nó giải thích cặn kẽ tất cả các mã và quy trình liên quan đến việc in tất cả các hàng của DataFrame