Pandas bruker Lambda

“Pandas” er et kjent programmeringsbibliotek for dataanalyse og manipulasjon. Det er et open source-bibliotek. “Pandas” gir oss fleksibilitet til å legge til nye funksjoner etter behov, inkludert sortering og lambda -funksjoner. Vi kan enkelt legge til "Lambda" -funksjonen i kolonnen og raden i DataFrame til "Pandas". Små funksjoner med bare ett uttrykk er kjent som lambdas. Lambda -funksjoner kan også fungere på en navnløs måte som anonyme funksjoner. Disse er nyttige når vi trenger å skrive mindre kode for raske, enkle operasjoner. Vi kan sette inn denne funksjonen ved å plassere nøkkelordet “Lambda” i vår “Pandas” -kode. Vi presenterer denne guiden for å hjelpe deg med å lære konseptet "Lambda" -funksjonen i "Pandas".

Syntaks

Lambda -argumenter: uttrykk

Eksempel nr. 01

Vi bruker "Spyder" -appen for å lage kodene, som er gitt i denne guiden. Siden vi gjør "Pandas" -kode, må vi importere "Pandas" -biblioteket, og vi importerer det "som PD". Dette vil hjelpe oss å tilby "pandas" -funksjonene i koden vår når vi bruker nøkkelordet "PD". Her genererer vi en ordbok "merker" og legger til data som "Rao, James, 455" i første rad. Neste, "William, Elvish, 250" blir lagt til i andre rad. "Samuel, John, 495" er på tredje rad, deretter "Smith, Micheal, 400", "Robert, Alvis, 350", og også "Rick, Leo, 450" er der i fjerde, femte og sjette rader.

Nå konverterer vi "Marks" -ordboken til "Resultat" DataFrame og justerer også navnet på overskriften her ved å bruke "kolonnene" -metoden ". Hovednavnene vi angir her er "Navn, Father_name og Total_marks". Disse navnene er satt her som overskriftsnavnene på "resultatet" DataFrame. Nå gjengir vi "resultatet" DataFrame. Vi brukte ikke "lambda" -metoden ennå. Under dette beveger vi oss for å bruke denne "lambda" -metoden for å bruke "lambda" -funksjonen.

Her bruker vi denne funksjonen på bare "Total_marks" -kolonnen ved å sette denne "lambda" -funksjonen i "tilordne ()" -metoden. Vi bruker denne funksjonen for å finne "prosentandelen" av studentene, som vi legger til DataFrame. Vi bruker "lambda" -funksjonen og plasserer formelen for å få "prosentandelen". "Lambda" -funksjonen er her inne i "tilordne ()" -metoden, og vi setter total_marks -kolonnen delt på "500" og multiplisert med "100". Kolonnen "prosentvis" vil bli opprettet, og alle prosentene av studentene vil vises i den kolonnen. Vi viser "Final_Result" DataFrame ved å bruke følgende "print ()" -funksjon:

Vi trykker på “Shift + Enter” for å få utdataene. I den første DataFrame er det ingen kolonne for prosentandelen av studentene. Vi bruker "lambda" og beregner prosentandelen av studentene og viser dem i "prosentandel" -kolonnen.

Eksempel # 02

Dette er også "Pandas" -koden. Så vi importerer igjen “Pandas som PD” her. Opprett deretter en liste her med navnet "Nested_list" og legg til numeriske data. Vi setter inn “15, 2.5, 100, 12 ”på den første listen og“ 20, 4.5, 50, 15 ”i neste. Så i den tredje listen setter vi inn “25, 5.2, 80, 19 ”,“ 45, 5.8, 48, 37 ”på fjerde liste. Den femte listen inneholder “40, 6.3, 70, 24 ”, og den sjette listen inneholder“ 41, 6.4, 90, 55 ”. På den siste listen legger vi til “51, 2.3, 111, 19 ”. Vi endrer denne nestede listen i DataFrame ved å justere kolonneoverskriftsnavnene som "Column_1, Column_2, Column_3 og Column_4" og gjengi den. Nå bruker vi “lambda” -metoden og beregner summen av alle verdier. Denne sumverdien vil bli lagret i "sum" -kolonnen, som opprettes her og lagt til forrige DataFrame. Vi gjengir "new_data" dataaframe ved å bruke "print ()" -funksjonen nedenfor:

Det er ingen kolonne for summen av verdier i den første DataFrame. Det legger til “15, 2.5, 100, 12 ”, og summen vises på slutten av raden i den nye" sum "-kolonnen. Summen av hver rads verdi bestemmes ved bruk av "lambda" og vises i "sum" -kolonnen separat for hver rad.

Eksempel # 03

Vi må importere to biblioteker i denne koden. En av dem er "Pandas" -biblioteket, og det andre er "Numpy" -biblioteket. Så oppretter og initialiserer vi den nestede listen her. Vi setter inn data i det numeriske formen her og endrer deretter denne nestede listen i DataFrame og lagrer den i en ny variabel, "My_DataFrame". Hovednavnet for denne DataFrame er “Data1, Data2 og Data3” og legger til indeksverdiene som “A1, A2, A3, A4, A5 og A6”.

Vi gjengir denne dataaframe og bruker deretter lambda -metoden her vi setter inn “NP. firkantet ”funksjon. Denne funksjonen er til stede i "Numpy" -biblioteket, og vi får den hit ved å sette "NP". Vi beregner kvadratet "A2" ved å sette "A2" i denne metoden. Og sett også "Axis = 1". Vi skriver deretter ut DataFrame igjen ved å bruke "print ()".

Her er alle verdiene for begge dataframene de samme, men raden "A2" -verdiene er forskjellige, fordi i den andre dataframmen finner den kvadratet på raden “A2” og kvadratet med tall er gjengitt her:

Eksempel nr. 04

Her brukes eksemplet 3 -koden igjen, og vi endrer det litt. I denne koden bruker vi den samme firkantede funksjonen på flere rader. Vi bruker “lambda” -metoden og legger “NP. firkantet ”funksjon. I denne funksjonen setter vi inn fire indeksverdier, som er “A1, A3, A5, A7”. Denne firkantede funksjonen vil bli brukt på fire-radsverdier og deretter skrive ut denne oppdaterte DataFrame.

I den andre dataaframmen er verdiene til “A1, A3, A5, A7” -rader de oppdaterte verdiene til den første dataaframmen, og det er kvadratet for de verdiene som er til stede i den første dataaframmen i “A1, A3, A5, A7 ”rader er gjengitt i den andre DataFrame.

Eksempel nr. 05

Gå nå til det siste eksemplet på denne guiden. Start dette eksemplet med å importere “Pandas” og “Numpy” -biblioteker. Etter å ha importert begge bibliotekene, genererer vi en nestet liste nedenfor med navnet "Raw_list" og legger til numeriske data til denne nestede listen. Vi endrer denne listen til DataFrame og legger til kolonneoverskriftsnavnene, som er “A_01, A_02, A_03 og A_04”, og indeksverdiene, som er “11, 12, 13, 14, 15 og 16”.

Nå bruker vi “Lambda” og legger til den firkantede funksjonen til “Numpy” til “12, 14” rader. Etter dette bruker vi igjen "lambda" for å beregne "produktet" av alle radene, og også i neste "lambda" beregner vi "summen" for alle radene og lagrer også produktet og summen i "produktet", og "sum" kolonne, som vi har opprettet her. Nå gjengir vi det nye dataaframet der kvadratet med to rader og summen og produktet er til stede. Denne nye DataFrame, inkludert alle disse, gjengis ved å bruke “Print ()”.

Her kan du se at i det oppdaterte DataFrame, som er til stede under den første DataFrame, viser raden “12 og 14” torget til verdiene som er til stede i den første DataFrame, og også to nye kolonner er til stede der “summen ”Og“ produkt ”av rader vises separat.

Konklusjon

Du kan bruke denne guiden til å lære hvordan du bruker "Bruk Lambda" i "Pandas" fordi den forklarer hvordan du gjør det. Hovedmålet vårt er å forklare "lambda" -metodeoppfatningen grundig som er tydelig, enkel og dyptgående. Ved hjelp av "lambda" -funksjonen har vi vist hvordan vi bruker "lambda" -funksjonen i "pandaer" i fem forskjellige scenarier. Du vil være på et moderat kompetanse etter å ha fullført å lese denne guiden, hvorfra du kan gå til høyere nivåer.