programming python

Làm thế nào để bạn chọn một số hàng nhất định trong python?

Pandas được xây dựng trên thư viện Python Numpy và có hai cấu trúc dữ liệu chính viz. Sê-ri một chiều và Khung dữ liệu hai chiều. Pandas DataFrame có thể xử lý cả dữ liệu đồng nhất và không đồng nhất. Bạn có thể thực hiện các thao tác cơ bản trên các hàng DataFrame của Pandas như chọn, xóa, thêm và đổi tên

Tạo một Khung dữ liệu Pandas với dữ liệu

Chọn hàng bằng cách sử dụng []

Bạn có thể sử dụng dấu ngoặc vuông để truy cập các hàng từ Pandas DataFrame

**Chọn các hàng bắt đầu từ vị trí hàng thứ 2 cho đến vị trí hàng thứ 4 của tất cả các cột

Các cột đã chọn

Bạn có thể chỉ định tên cột khi truy xuất dữ liệu từ DataFrame

**Chọn các hàng bắt đầu từ vị trí hàng thứ 2 cho đến vị trí hàng thứ 4 của cột 'TotalMarks'and 'Grade'

Chọn hàng bằng cách sử dụng loc[]

**Chọn các hàng bắt đầu từ vị trí hàng thứ 2 cho đến vị trí hàng thứ 4 của tất cả các cột

Các cột đã chọn

Trong khi sử dụng loc, bạn có thể chỉ định tên cột khi truy xuất dữ liệu từ DataFrame

**Chọn các hàng bắt đầu từ vị trí hàng thứ 2 cho đến vị trí hàng thứ 4 của cột 'TotalMarks'and 'Grade'

Chọn hàng dựa trên điều kiện sử dụng loc

**Chọn tất cả các hàng từ DataFrame trong đó Lớp là 'E'

Sử dụng 'loc' và '. ='

**Chọn tất cả các hàng có Điểm không bằng 'E'

Kết hợp nhiều điều kiện với toán tử &

**Chọn tất cả các hàng từ DataFrame có tổng số điểm lớn hơn 50 và nhỏ hơn 79

Các cột được chọn bằng cách sử dụng loc

**Truy xuất cột Tên, Tổng điểm, Điểm trong đó tổng điểm lớn hơn 50 và nhỏ hơn 79

Sử dụng loc[] và isin[]

**Chọn tất cả các hàng có điểm là 'A' hoặc 'B'

Cột đã chọn sử dụng loc[] và isin[]

**Chỉ chọn các cột Tên, Tổng điểm, Điểm trong đó điểm là 'A' hoặc 'B'

Sử dụng khung dữ liệu. truy vấn[]

CityColors ReportedShape ReportedStateTime0IthacaNaNTRIANGLENY6/1/1930 22. 001WillingboroNaNOTHERNJ6/30/1930 20. 002HolyokeNaNOVALCO2/15/1931 14. 00

sử dụng loc
Đây là một phương pháp thực sự mạnh mẽ và linh hoạt

Trong [6]

# .loc DataFrame method
# filtering rows and selecting columns by label

# format
# ufo.loc[rows, columns]

# row 0, all columns
ufo.loc[0, :]

Ra[6]

City                       Ithaca
Colors Reported               NaN
Shape Reported           TRIANGLE
State                          NY
Time               6/1/1930 22:00
Name: 0, dtype: object

Trong [10]

# rows 0, 1, 2
# all columns

ufo.loc[[0, 1, 2], :]

# more efficient code
ufo.loc[0:2, :]

Ra[10]

CityColors ReportedShape ReportedStateTime0IthacaNaNTRIANGLENY6/1/1930 22. 001WillingboroNaNOTHERNJ6/30/1930 20. 002HolyokeNaNOVALCO2/15/1931 14. 00

Trong [12]

# if you leave off ", :" pandas would assume it's there
# but you should leave it there to improve code readability
ufo.loc[0:2]

Ra[12]

CityColors ReportedShape ReportedStateTime0IthacaNaNTRIANGLENY6/1/1930 22. 001WillingboroNaNOTHERNJ6/30/1930 20. 002HolyokeNaNOVALCO2/15/1931 14. 00

Trong [13]

# all rows
# column: City
ufo.loc[:, 'City']

Ra[13]

0                      Ithaca
1                 Willingboro
2                     Holyoke
3                     Abilene
4        New York Worlds Fair
5                 Valley City
6                 Crater Lake
7                        Alma
8                     Eklutna
9                     Hubbard
10                    Fontana
11                   Waterloo
12                     Belton
13                     Keokuk
14                  Ludington
15                Forest Home
16                Los Angeles
17                  Hapeville
18                     Oneida
19                 Bering Sea
20                   Nebraska
21                        NaN
22                        NaN
23                  Owensboro
24                 Wilderness
25                  San Diego
26                 Wilderness
27                     Clovis
28                 Los Alamos
29               Ft. Duschene
                 ..         
18211                 Holyoke
18212                  Carson
18213                Pasadena
18214                  Austin
18215                El Campo
18216            Garden Grove
18217           Berthoud Pass
18218              Sisterdale
18219            Garden Grove
18220             Shasta Lake
18221                Franklin
18222          Albrightsville
18223              Greenville
18224                 Eufaula
18225             Simi Valley
18226           San Francisco
18227           San Francisco
18228              Kingsville
18229                 Chicago
18230             Pismo Beach
18231             Pismo Beach
18232                    Lodi
18233               Anchorage
18234                Capitola
18235          Fountain Hills
18236              Grant Park
18237             Spirit Lake
18238             Eagle River
18239             Eagle River
18240                    Ybor
Name: City, dtype: object

Trong [15]

# all rows
# column: City, State
ufo.loc[:, ['City', 'State']]

# similar code for City through State
ufo.loc[:, 'City':'State']

Ra[15]

CityColors ReportedShape ReportedState0IthacaNaNTRIANGLENY1WillingboroNaNOTHERNJ2HolyokeNaNOVALCO3AbileneNaNDISKKS4New York Worlds FairNaNLIGHTNY5Valley CityNaNDISKND6Crater LakeNaNCIRCLECA7AlmaNaNDISKMI8EklutnaNaNCIGARAK9HubbardNaNCYLINDEROR10FontanaNaNLIGHTCA11WaterlooNaNFIREBALLAL12BeltonREDSPHERESC13KeokukNaNOVALIA14LudingtonNaNDISKMI15Forest HomeNaNCIRCLECA16Los AngelesNaNNaNCA17HapevilleNaNNaNGA18OneidaNaNRECTANGLETN19Bering SeaREDOTHERAK20NebraskaNaNDISKNE21NaNNaNNaNLA22NaNNaNLIGHTLA23OwensboroNaNRECTANGLEKY24WildernessNaNDISKWV25San DiegoNaNCIGARCA26WildernessNaNDISKWV27ClovisNaNDISKNM28Los AlamosNaNDISKNM29Ft. DucheneNaNDISKUT. 18211HolyokeNaNDIAMONDMA18212CarsonNaNDISKCA18213PasadenaGREENFIREBALLCA18214AustinNaNFORMATIONTX18215El CampoNaNOTHERTX18216Garden GroveORANGELIGHTCA18217Berthoud PassNaNTRIANGLECO18218SisterdaleNaNDIAMONDTX18219Garden GroveNaNCHEVRONCA18220Shasta LakeBLUEDISKCA18221FranklinNaNDISKNH18222AlbrightsvilleNaNOTHERPA18223GreenvilleNaNNaNSC18224EufaulaNaNDISKOK18225Simi ValleyNaNFORMATIONCA18226San FranciscoNaNFORMATIONCA18227San FranciscoNaNTRIANGLECA18228KingsvilleNaNLIGHTTX18229ChicagoNaNDISKIL18230Pismo BeachNaNOVALCA18231Pismo BeachNaNOVALCA18232LodiNaNNaNWI18233AnchorageREDVARIOUSAK18234CapitolaNaNTRIANGLECA18235Fountain HillsNaNNaNAZ18236Grant ParkNaNTRIANGLEIL18237Spirit LakeNaNDISKIA18238Eagle RiverNaNNaNWI18239Eagle RiverREDLIGHTWI18240YborNaNOVALFL

18241 hàng × 4 cột

Trong [17]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Ra[17]

CityColors ReportedShape ReportedState0IthacaNaNTRIANGLENY1WillingboroNaNOTHERNJ2HolyokeNaNOVALCO

Trong [18]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Hết[18]

CityColors ReportedShape ReportedStateTime1694OaklandNaNCIGARCA7/21/1968 14. 002144OaklandNaNDISKCA8/19/1971 0. 004686OaklandNaNLIGHTMD6/1/1982 0. 007293OaklandNaNLIGHTCA3/28/1994 17. 008488OaklandNaNNaNCA8/10/1995 21. 458768OaklandNaNNaNCA10/10/1995 22. 4010816OaklandNaNLIGHTOR10/1/1997 21. 3010948OaklandNaNDISKCA14/11/1997 19. 5511045OaklandNaNTRIANGLECA12/10/1997 1. 3012322OaklandNaNFIREBALLCA10/9/1998 19. 4012941OaklandNaNCYLINDERCA1/23/1999 21. 3016803OaklandNaNTRIANGLEMD7/4/2000 23. 0017322OaklandNaNCYLINDERCA9/1/2000 21. 35

Trong 20]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Hết[20]

Trong [21]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Hết[21]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Trong [24]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Ra[24]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

sử dụng iloc

Trong [25]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Hết[25]

CityState0IthacaNY1WillingboroNJ2HolyokeCO3AbileneKS4New York Worlds FairNY5Valley CityND6Crater LakeCA7AlmaMI8EklutnaAK9HubbardOR10FontanaCA11WaterlooAL12BeltonSC13KeokukIA14LudingtonMI15Forest HomeCA16Los AngelesCA17HapevilleGA18OneidaTN19Bering SeaAK20NebraskaNE21NaNLA22NaNLA23OwensboroKY24WildernessWV25San DiegoCA26WildernessWV27ClovisNM28Los AlamosNM29Ft. DucheneUT. 18211HolyokeMA18212CarsonCA18213PasadenaCA18214AustinTX18215El CampoTX18216Garden GroveCA18217Berthoud PassCO18218SisterdaleTX18219Garden GroveCA18220Shasta LakeCA18221FranklinNH18222AlbrightsvillePA18223GreenvilleSC18224EufaulaOK18225Simi ValleyCA18226San FranciscoCA18227San FranciscoCA18228KingsvilleTX18229ChicagoIL18230Pismo BeachCA18231Pismo BeachCA18232LodiWI18233AnchorageAK18234CapitolaCA18235Fountain HillsAZ18236Grant ParkIL18237Spirit LakeIA18238Eagle RiverWI18239Eagle RiverWI18240YborFL

18241 hàng × 2 cột

Trong [28]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Hết[28]

18241 hàng × 4 cột

Trong [31]

url = '//bit.ly/uforeports'
ufo = pd.read_csv[url]

Ra[31]

CityColors ReportedShape ReportedStateTime0IthacaNaNTRIANGLENY6/1/1930 22. 001WillingboroNaNOTHERNJ6/30/1930 20. 002HolyokeNaNOVALCO2/15/1931 14. 00

Trong [38]

# show first 3 shows
ufo.head[3]

Hết[38]

18241 hàng × 2 cột

Trong [40]

# show first 3 shows
ufo.head[3]

Ra[40]

CityColors ReportedShape ReportedStateTime0IthacaNaNTRIANGLENY6/1/1930 22. 001WillingboroNaNOTHERNJ6/30/1930 20. 00

sử dụng ix
Trộn nhãn và số nguyên khi sử dụng lựa chọn

Trong [41]

# show first 3 shows
ufo.head[3]

Trong [42]

# show first 3 shows
ufo.head[3]

Ra[42]

beer_servingsspirit_servingswine_servingstotal_litres_of_pure_alcoholcontinentcountryAfghanistan0000. 0Châu ÁAlbania89132544. 9Châu ÂuAlgeria250140. 7Châu PhiAndorra24513831212. 4Châu ÂuAngola21757455. 9Châu Phi

Tạo một Khung dữ liệu Pandas với dữ liệu

Chọn hàng bằng cách sử dụng []

Các cột đã chọn

Chọn hàng bằng cách sử dụng loc[]

Các cột đã chọn

Chọn hàng dựa trên điều kiện sử dụng loc

Sử dụng 'loc' và '. ='

Kết hợp nhiều điều kiện với toán tử &

Các cột được chọn bằng cách sử dụng loc

Sử dụng loc[] và isin[]

Cột đã chọn sử dụng loc[] và isin[]

Sử dụng khung dữ liệu. truy vấn[]

Bài Viết Liên Quan

Toplist mới

Bài mới nhất

Chủ Đề