Pandas isin -metode
Pandas isin () -metode hjelper til med å søke på inngangssettet med verdier i det gitte DataFrame . Vi vil diskutere pandaer, dens Isin () -metode og dens eksempler.
Hva er pandaer i Python?
Pandas er Pythons standard dataramme -modul. Du bør nesten sannsynlig bruke pandaer hvis du jobber med tabelldata i Python.
Det gir en veldig effektiv datastruktur og verktøy for å utføre dataanalyse. Pandas er en Python -modul for datavitenskap og analyse som kjører på toppen av Numpy. Dataframe i Pandas 'grunnleggende datastruktur lar oss lagre og endre tabelldata i en 2-D-struktur.
Hva er DataFrame?
Den mest essensielle og omfattende brukte datastrukturen er DataFrame, en standard måte å lagre data. DataFrame har data organisert i rader og kolonner som en SQL -tabell eller en regnearkdatabase. Vi kan enten konvertere våre tilpassede data til en dataframe eller importere data fra en CSV, TSV, Excel, SQL -database eller fra en annen kilde.
Hva er pandas isin () funksjon?
ISIN () -funksjonen sjekker hvis den medfølgende verdien er til stede i DataFrame. Denne funksjonen returnerer en boolsk dataaframe. Dataframe ser ut til å være den samme som originalen og er uendret. Fortsatt erstattes de opprinnelige verdiene med True hvis datarammeelementet er et av de spesifiserte elementene, og blir endret til usant ellers.
Eksempler på isin () -metode
Eksempel 1:
| 1 2 3 4 5 6 7 8 9 10 11 12 | Importer pandaer som PD Data = PD.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Rull nummer': [25, 40, 23, 22], 'Høyde': ['169', '173', '173', '178'] ) Heights_to_filter = ['173', '169', '177'] Resultat = data.ISIN (Heights_TO_Filter) trykk (resultat) |
Produksjon:
| Navn | Rull | Antall | Høyde |
|---|---|---|---|
| 0 | Falsk | Falsk | ekte |
| 1 | Falsk | Falsk | ekte |
| 2 | Falsk | Falsk | ekte |
| 3 | Falsk | Falsk | Falsk |
Eksempel 2:
| 1 2 3 4 5 6 7 8 9 10 11 12 1. 3 | Importer pandaer som PD Data = PD.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Alder': [25, 45, 23, 32], 'Favorittemne': ['Math', 'Science', 'Science', 'English'] ) dict_data_to_filter = 'name': ['b', 'd'], 'avdeling': ['science'] Resultat = data.ISIN (DICT_DATA_TO_FILTER) trykk (resultat) |
Produksjon:
| Navn | Alder | Favoritt | Emne |
|---|---|---|---|
| 0 | Falsk | Falsk | Falsk |
| 1 | ekte | Falsk | Falsk |
| 2 | Falsk | Falsk | Falsk |
| 3 | ekte | Falsk | Falsk |
Eksempel 3:
| 1 2 3 4 5 6 7 8 9 10 11 12 | Importer pandaer som PD Data = PD.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Alder': [25, 45, 23, 32], 'Avdeling': ['29', '35', '35', '40'] ) Series_Data = PD.Serie (['a', 'c', 'b', 'd']) Resultat = data.isin (serie_data) trykk (resultat) |
Produksjon:
| Navn | Alder | Avdeling |
|---|---|---|
| 0 | ekte | Falsk |
| 1 | Falsk | Falsk |
| 2 | Falsk | Falsk |
| 3 | ekte | Falsk |
Eksempel 4:
| 1 2 3 4 5 6 7 8 9 10 11 12 1. 3 14 15 16 17 18 19 20 21 22 23 24 25 26 27 | Importer pandaer som PD Data = PD.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Rull nummer': [25, 45, 23, 32], 'House': ['Blue', 'Green', 'Green', 'Yellow'] ) df = pd.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Rull nummer': [25, 45, 23, 32], 'House': ['Blue', 'Green', 'Green', 'Yellow'] ) Resultat = data.Isin (DF) trykk (resultat) skrive ut() df = pd.Dataramme( 'Navn': ['A', 'B', 'C', 'D'], 'Rull nummer': [25, 45, 23, 32], 'House': ['Blue', 'Green', 'Green', 'Yellow'] ) Resultat = data.Isin (DF) trykk (resultat) |
Produksjon:
| Navn | Rull | Antall | Hus |
|---|---|---|---|
| 0 | ekte | ekte | ekte |
| 1 | ekte | ekte | ekte |
| 2 | ekte | ekte | ekte |
| 3 | ekte | ekte | ekte |
| Navn | Rull | Antall | Hus |
|---|---|---|---|
| 0 | ekte | ekte | ekte |
| 1 | ekte | ekte | ekte |
| 2 | ekte | ekte | ekte |
| 3 | ekte | ekte | ekte |
Konklusjon
Vi diskuterte pandaer i Python, DataFrame, Pandas Isin () -funksjonen og noen ISIN () -metodeeksempler. ISIN () -metoden brukes til å få den boolske dataframet som forteller hvilke inngangsverdier som er til stede i DataFrame.