Pandas ikke i
Eksempel # 01:
"Spyder" -verktøyet brukes til å skrive hvert kodeskript som vi vil diskutere i denne guiden. Hver gang vi ønsker å utvikle ny "pandas" -kode, må vi importere noen få "pandas" -moduler. Disse kan importeres ved å bare følge begrepet "importere" med uttrykket “pandaer som PD. Nå er den "PD" lagt til denne koden når vi må få tilgang til "Pandas" -funksjonene. Nå må vi lage DataFrame.
"Raw_record" -variabelen er der vi legger til noen data som vi ønsker å sette inn i DataFrame. Datoene legges først til som er “12/08/22, 12/08/22, 13/08/22, 14/08/22, 15/08/22 og 17/08/22” i “Dated”. Deretter har vi "navn" der vi legger "ballpenn, peker, viskelær, stiftemaskin, skala og limpinne". Etter dette legger vi til mengden av disse elementene i "mengden" som er "18, 21, 36, 4, 15 og 9". Vi legger også til prisen i "pris" -kolonnen som er "350, 520, 220, 900, 90 og 250".
Nå setter vi inn “PD.DataFrame () ”som hjelper med å konvertere denne“ raw_record ”til“ raw_record_df ”, som er navnet på DataFrame. Vi initialiserer deretter en variabel med navnet "Verdier" med noen data som er "Ball Pen, Pointer, Lim Stick". Etter dette bruker vi “Not In” -filteret for å sjekke noen data. Vi bruker dette "ikke i" -filteret med "ISIN ()" -metoden. For filtrering av data ved hjelp av "ikke i" -metoden, legger vi "~" -tegnet. Nedenfor kan du se at vi har nevnt navnet på DataFrame først og inni den, vi plasserer kolonnenavnet som vi ønsker å sjekke dataene.
Vi plasserer "~" -tegnet før vi plasserer kolonnens navn med DataFrames navn. Deretter setter vi metoden “Isin ()” etter dette og passerer "verdiene" -variabelen til denne "ISIN ()" -funksjonen. Vi lagrer resultatet som vi får etter å ha brukt denne funksjonen i variabelen “Rest_Values”. Nå plasserer vi “gjenværende_verdier” i “print ()”, så resultatet vi kommer hit etter å ha brukt dette "ikke i" -filteret vil vises.
Vi kan raskt oppnå resultatene fra "Pandas" -kodene i "Spyder" ved å trykke på "Shift+Enter" eller Run Icon. Resultatet av denne koden inneholder DataFrame med alle dataene vi la til den. Deretter filtrerer det noen data og viser de radene der "kulepenn, peker og limpinne" ikke er til stede i "Navn" -kolonnen. Vi filtrerer denne DataFrame ved hjelp av filtermetoden “ikke i”.
Eksempel # 02:
"Pre_rank_record" DataFrame er opprettet i dette eksemplet som inneholder "Navn, pre_rank og new_fee" kolonner. Disse kolonnene inneholder også noen data i dem. I kolonnen "Navn" har vi lagt til "Stella, Tatum, George, Peter, Kenna og Lila". Deretter legger vi "Python, Database, Artificial Intelligence, Python, Web Development og Python" i "Pre_rank" -kolonnen. Gebyrene vi setter inn i kolonnen "avgift" er: "1300, 1900, 2000, 1300, 1500 og 1300". Vi skriver også ut "pre_rank_record" ved å bruke "print ()".
Etter å ha fullført denne DataFrame, setter vi “Values1” -variabelen og initialiserer den med to navn som er “Stella og George”. Vi bruker deretter "Not In" -filteret for å filtrere "Navn" -kolonnene som navnene ikke er i verdiene som vi har lagt til i Values1 -variabelen. Det betyr at navnet ikke er "Stella" eller "George". Vi plasserer navnet på DataFrame, "~" -symbolet og navnet på DataFrame sammen med kolonnenavnet der vi ønsker å filtrere dataene. Kolonnen der vi må bruke denne funksjonen er "Navnet" -kolonnen, og vi legger også "Verdier1" -variabeltnavnet i "ISIN ()" -metoden.
Nå ønsker vi også å filtrere data fra "pre_rank" -kolonnen. For dette initialiserer vi "Values2" -variabelen med noen data fra "Pre_rank" -kolonnen som vi ønsker å filtrere fra "pre_rank" -kolonnen. Nå plasserer vi igjen “Not In” -filteret for å filtrere dataene og vise de gjenværende radene der “Python” ikke er til stede i "pre_rank" -kolonnen. Etter dette bruker vi også “Not In” -filteret for å filtrere dataene fra den siste kolonnen som er “new_fee”. Vi plasserer "Values3" -variabelen og initialiserer "Verdiene3" med to verdier som vi har lagt til i "new_fee" -kolonnen. Deretter skriver vi ut de gjenværende verdiene der "verdiene3" -verdiene ikke er til stede.
Den viser DataFrame, først i dette utfallet. Deretter viser den DataFrame som vi har skrevet inn i koden ovenfor. Først viser den de radene i Dataframewhere “Stella and George” som ikke er til stede i "Navn" -kolonnen. Deretter viser den de radene der "Python" er til stede i kolonnen "Pre_rank" og viser også de radene i DataFrame der "1300 og 2000" er ikke til stede i den siste "New_fee" -kolonnen.
Eksempel # 03:
Vi bruker "Record" DataFrame som inneholder de samme dataene som vi har lagt til i "pre_rank_record" DataFrame. Vi har nettopp endret navnet på DataFrame her. Nå filtrerer vi data ved å bruke "ikke i" -filteret med flere kolonner i "pre_rank_record" DataFrame. Vi satte "Tatum, Kenna, 1900" i "My_List1" -variabelen der "Tatum, og Kenna" er verdiene til "Navn" -kolonnen og "1900" er verdien av "New_fee" -kolonnen.
Ettersom vi har lagt til verdiene til to forskjellige kolonner i variabelen “My_List1”, setter vi også inn navnene på begge kolonnene nedenfor der vi bruker "Not In" -filteret. Etter å ha lagt til navnet på DataFrame og "~" -symbolet, satte vi navnene på begge kolonnene med navnet på DataFrame. Deretter plasserer vi “Isin ()” -metoden der vi passerer “MY_LIST1” -variabelen. Vi plasserer også “Axis = 1” med dette.
Nå initialiserer vi en annen variabel som er "my_list2" -variabelen med "Lila" og "kunstig intelligens". Her er "Lila" verdien av "Navn" -kolonnen og "kunstig intelligens" er verdien av "pre_rank" -kolonnen. Etter dette bruker vi igjen “Not In” -filteret på samme måte som vi har forklart i linjene over i dette eksemplet.
Etter å ha vist hele DataFrame, gjengir den bare de radene der radene ikke inneholder "Tatum, Kenna og 1900" i "Navnet" og "New_fee" -kolonnene. Deretter gjengir det radene der vi ikke har "Lila og kunstig intelligens" i "Navnet" og "pre_rank" -kolonnene.
Konklusjon
"Ikke i" -filteret blir forklart i denne guiden i detalj sammen med kodene og resultatene av kodene. Vi har forklart hvordan du filtrerer dataene ved å bruke "ikke i" -metoden og hva som er den beste måten å bruke denne metoden i "Pandas". Vi har også vist kodene vi har brukt dette "ikke i" filteret med "ISIN ()" -metoden og har forklart hvert trinn i koden i detalj her. Vi har gjengitt dataene fra DataFrame etter å ha brukt filtermetoden “ikke i” på DataFrame og har vist DataFrame etter å ha påført “Not In” -filteret og har forklart at det viser de gjenværende dataene til DataFrame som verdiene er ikke til stede som vi har nevnt i filtermetoden “ikke i”.