Pandas og tilstand
Syntaks
df [(cond_1) & (cond_2)]Eksempel 01
Vi gjør disse kodene på "Spyder" -appen og vil bruke "og" operatøren under våre forhold i "Pandas" her. Når vi holder på med Pandas -kodene, så må vi først importere “Pandas som PD” og vil få metoden sin ved å sette bare “PD” i koden vår. Deretter genererer vi en ordbok med navnet "cond", og dataene vi setter inn her er "A1", "A2" og "A3" er kolonnenavnene, og vi legger til "1, 2 og 3" i " A1 ”, i“ A2 ”er det“ 2, 6 og 4 ”og den siste“ A3 ”, inneholder“ 3, 4 og 5 ”.
Så flytter vi for å lage dataframet til denne ordboken ved å bruke “PD.DataFrame ”her. Dette vil returnere DataFrame for de ovennevnte ordboksdataene. Vi gjengir det også ved å tilby “print ()” her, og etter dette bruker vi noen betingelser og bruker også “&” -operatøren i denne tilstanden. Den første tilstanden her er at “A1> = 1”, og så setter vi “&” -operatøren og plasserer en annen tilstand som er “A2 = 1” og også “A2 < 5”. If both conditions are satisfied here, then it will display the result, and if any one of them is not satisfied here, then it will not display any data.
Den sjekker både “A1” og “A2” kolonner i DataFrame og returnerer deretter resultatet. Resultatet vises på skjermen fordi vi bruker "print ()" -uttalelsen.
Utfallet er her. Den viser alle dataene vi har satt inn i DataFrame og sjekker deretter begge forholdene. Den returnerer de radene der “A1> = 1” og også “A2 < 5”. We get two rows in this output because both conditions are satisfied in two rows.
Eksempel 02
I dette eksemplet oppretter vi direkte DataFrame etter å ha importert “Pandas som PD”. "Team" DataFrame er opprettet her, med dataene som inneholder fire kolonner. Den første kolonnen er kolonnen "Team" her vi legger "A, A, B, B, B, B, C, C". Deretter er kolonnen ved siden av “lagene” “poengsum”, der vi setter inn “25, 12, 15, 14, 19, 23, 25 og 29”. Etter dette er kolonnen vi har “ute”, og vi legger også til data i den som “5, 7, 7, 9, 12, 9, 9 og 4”. Den siste kolonnen vår her er kolonnen "Rebounds" som også inneholder noen numeriske data, som er "11, 8, 10, 6, 6, 5, 9 og 12" ".
DataFrame er fullført her, og nå må vi skrive ut denne DataFrame, så for dette plasserer vi “Print ()” her. Vi ønsker å få noen spesifikke data fra denne DataFrame, så vi setter noen forhold her. Vi har to forhold her, og vi legger til "og" -operatøren mellom disse forholdene, så den vil bare returnere de forholdene som vil tilfredsstille begge betingelsene. Den første tilstanden vi har lagt til her er “Score> 20” og plasserer deretter “&” -operatøren og den andre tilstanden som er “OUT == 9”.
Så det vil filtrere disse dataene der poengsummen er mindre enn 20 og også outs er 9. Det filtrerer dem og ignorerer de resterende, som ikke vil tilfredsstille begge forholdene eller noen av dem. Vi viser også disse dataene som tilfredsstiller begge forholdene, så vi har brukt "print ()" -metoden.
Bare to rader tilfredsstiller begge forholdene, som vi har brukt på denne dataaframe. Den filtrerer bare de radene der poengsummen er større enn 20, og også outs er 9 og viser dem her.
Eksempel 03
I kodene ovenfor setter vi bare de numeriske dataene i DataFrame. Nå legger vi noen strengdata i denne koden. Etter å ha importert “Pandas som PD”, flytter vi for å bygge et "medlem" DataFrame. Den inneholder fire unike kolonner. Navnet på den første kolonnen her er "Navn", og vi setter inn navnene på medlemmene, som er "allierte, regninger, Charles, David, Ethen, George og Henry". Neste kolonne heter “Location” her, og den har “Amerika. Canada, Europa, Canada, Tyskland, Dubai og Canada ”i IT. "Kode" -kolonnen inneholder "W, W, W, E, E, E og E". Vi legger også til "poengene" til medlemmene her som "11, 6, 10, 8, 6, 5 og 12". Vi gjengir "medlem" DataFrame med bruk av "print ()" -metoden. Vi har spesifisert noen betingelser i denne dataaframe.
Her har vi to forhold, og ved å legge til "og" operatøren mellom dem, vil den bare returnere forhold som tilfredsstiller begge forholdene. Her er den første tilstanden vi har introdusert "Location == Canada", etterfulgt av "&" -operatøren, og den andre tilstanden, "poeng <= 9”. It gets those data from the DataFrame in which both conditions are satisfied, and then we have placed “print ()” which displays those data in which both conditions are true.
Nedenfor kan du legge merke til at to rader er trukket ut fra DataFrame og vises. I begge radene er stedet "Canada", og poengene er mindre enn 9.
Eksempel 04
Vi importerer både "Pandas" og "Numpy" her som "PD" og "NP",. Vi får “Pandas” -metodene ved å plassere “PD” og “Numpy” -metodene ved å plassere “NP” der det er nødvendig. Da inneholder ordboken vi har laget her tre kolonner. I kolonnen "Navn" der vi setter inn "allierte, George, Nimi, Samuel og William". Deretter har vi kolonnen “OBT_Marks”, som inneholder de oppnådde merkene til studentene, og disse merkene er “4, 47, 55, 74 og 31”.
Vi lager også en kolonne for "Prac_marks" her som har de praktiske merkene til studenten. Merkene vi legger til her er “5, 67, 54, 56 og 12”. Vi lager dataaframmen til denne ordboken og skriver den deretter ut. Vi bruker “NP.Logical_and "her, som vil returnere resultatet i" sann "eller" falsk "form. Vi lagrer også resultatet etter å ha sjekket begge forholdene i en ny kolonne, som vi har opprettet her med navnet “Pass_status”.
Den sjekker at "OBT_MARKS" er større enn "40" og "PRAC_MARKS" er større enn "40". Hvis begge er sanne, vil det gjengi sant i den nye kolonnen; Ellers gjør det falskt.
Den nye kolonnen er lagt til med navnet "Pass_status", og denne kolonnen består av bare "True" og "FALSE". Det gjør sant der de oppnådde merkene og også de praktiske merkene er større enn 40 og usant for de gjenværende radene.
Konklusjon
Denne opplæringens hovedmål er å forklare begrepet “og tilstand” i “Pandas”. Vi har snakket om hvordan vi skal skaffe de radene der begge forholdene er fornøyde, eller vi blir også sanne for de der alle forhold er fornøyde og falske for de resterende. Vi har undersøkt fire eksempler her. Alle de fire eksemplene som vi har etablert i denne opplæringen har gått gjennom denne prosessen. Eksemplene i denne opplæringen er alle omtenksomt presentert til din fordel. Denne opplæringen burde hjelpe deg med å forstå denne ideen tydeligere.