Pandas rang

“Python tilbyr et stort antall biblioteker. Når det gjelder "Pandas", mener vi også Python -biblioteket. Det kommer oss til gode på en rekke områder, for eksempel Data Sciences and Machine Learning, hvor vi begge kan bruke "Pandas" -biblioteket. I tillegg hjelper det å modifisere og styring av data. Vi kan finne "rang" for de numeriske dataene som vi har satt inn i "Pandas" DataFrame. "Rank ()" -metoden er tilgjengelig i "Pandas" -biblioteket for å finne rangering av numeriske data. "Rank ()" -metoden hjelper oss med å beregne rangering av de numeriske dataene. Denne "rang ()" -metoden vil bli grundig forklart i denne guiden, sammen med hvordan den fungerer. Vi vil også bruke “rang ()” -metodene i kodene våre her.”

Syntaks

Dataramme.Rang (Axis = 0, Method = "Gjennomsnitt", numeric_only = ingen, na_option = "Keep", Ascending = True/False, PCT = FALSE)

Eksempel nr. 01

Spyder er verktøyet som vi bruker for å lage disse "pandas" -kodene som er til stede i denne guiden. Import av bibliotekene er det første trinnet vi trenger å ta mens vi skriver "Pandas" -koden. Nøkkelordet “import” brukes til å importere biblioteket. "Pandas" -biblioteket er biblioteket som må importeres. Etter å ha skrevet "importen", skriver vi "pandaer som PD" her. Etter dette lager vi DataFrame. "PD" viser at "DataFrame ()" er metoden for "Pandas", som vi får hit ved å skrive "PD" med denne "DataFrame ()" -metoden.

Den første kolonnen er kolonnen "Navn", og i denne kolonnen setter vi inn “Los Angeles, New York, Frankrike, Chicago, Denver, Delhi, Paris, Istanbul og Boston”. Vi legger deretter til "Parks" -kolonnen, som inneholder antall parker som "45, 58, 82, 90, 64, 75, 44, 81 og 59" ". Vi har to kolonner til her som er "sykehus" og "skoler". I kolonnen "Hospital" legger vi til "125, 115, 92, 100, 84, 105, 98, 99 og 159" og i spalten "Skoler" legger vi til "95, 158, 182, 99, 74, 115, 104, 81 og 99 ”. Nå bruker vi “print ()” -metoden for å vise denne dataaframe.

Vi kan lett se utdataene fra kodene våre når vi klikker på "Kjør" -ikonet i "Spyder" -verktøyet. Her er resultatet av denne koden, og det kan sees at bare DataFrame som vi har laget vises i dette utfallet. Nå bruker vi “Rank ()” -metoden for å få rangering av numeriske data.

Vi oppretter først den nye kolonnen her ved å plassere navnet på DataFrame, og vi setter inn det nye kolonnenavnet, som er "Hospital_rank", her. Deretter bruker vi "rang ()" -metoden på kolonnen "sykehus" og lagrer resultatet i den nye kolonnen som vi har opprettet her. Etter dette plasserer vi navnet på DataFrame i “Print ()”, så den nye kolonnen blir også lagt til og gjengitt på skjermen.

Det gir rangering til "sykehus" -dataene og viser dem i en annen kolonne som vi har opprettet ovenfor. Den viser rangeringsverdiene. Det gir rangverdien “1” til de minste verdiene, og så videre.

Vi bruker også denne "rang ()" -metoden på kolonnen "Skoler" og lagrer rangeringsverdiene i kolonnen "School_rank" her. Vi passerte ikke noen parameter til denne "rang ()" -funksjonen, så den vil gi rangering til "skolene" -kolonens verdier i stigende rekkefølge.

Kolonnen “School_rank” vises her, og i denne kolonnen er rangeringsverdiene nevnt. Dette er rangeringsverdiene i kolonnen "Skoler" fordi vi bruker denne metoden på spalten "Skoler".

Eksempel # 02

Her opprettes “school_df”. Vi brukte “PD.DataFrame () ”for å generere DataFrame i“ Pandas ”, og som et resultat ble denne DataFrame opprettet. I tillegg legger vi til noen få kolonner, og disse kolonnene har også data i dem. Kolonnen vi legger til først er "Navn" -kolonnen. Deretter er “Resse, Collins, Layla, Cora, Bromley, Ellis, Kelly og Bromley” alle til stede i denne spalten. Følgende kolonne, OBT_Marks ”er der vi legger til“ 150, 334, 39, 376, 585, 190, 453 og 669 ". Her er den tredje kolonnen merket “OBT_PER”, og vi legger inn prosentene “30%, 55%, 10%, 58%, 75%, 33%, 62%og 81%” i den.

Så har vi "kvalifisering" -kolonnen. Den inkluderer følgende data "ikke fremmet, fremmet, ikke fremmet, fremmet, fremmet, ikke fremmet, fremmet, fremmet". Nå skriver vi ut denne DataFrame, og så legger vi til en ny kolonne med navnet "Student_rank" i denne DataFrame og bruker "Rank ()" -funksjonen på "OBT_Marks" -kolonnen. Vi setter også verdien av "stigende" parameter til "falsk".

Når denne "rang ()" -metoden gjelder dataene fra "OBT_Marks" -kolonnen, lagrer den verdiene til "rang" i kolonnen "Student_rank", som er lagt til denne DataFrame. Vi skriver deretter ut DataFrame igjen, som også inneholder kolonnen "School_rank".

Kolonnen "Student_rank" vises også i den oppdaterte DataFrame, og den viser rangering av kolonneverdiene “OBT_MARKS” i synkende rekkefølge fordi vi har satt "False" som verdien av parameteren "Stigende".

Eksempel # 03

I denne koden bruker vi "Rank ()" -metoden for å få rangverdiene til "OBT Marks" -kolonnen. I tillegg endret vi verdien av "stigende" parameter til "sann". Når denne DataFrames “Student_rank” -kolonne mottar data fra "OBT Marks" -kolonnen via "Rank ()" -metoden, lagres verdiene til "Rank" deretter ved bruk av "Rank ()" -metoden. Dataframe blir deretter skrevet ut en gang til her.

Vi setter "sant" som verdien for alternativet "stigende" i "rang ()" -metoden, så "student_rank" -kolonnen, som er til stede i den modifiserte DataFrame, viser rangering av verdiene til "OBT_MARKS" -kolonnen i stigende rekkefølge.

Eksempel nr. 04

Nå bruker vi "rang ()" -funksjonen og sorterer også dataene etter å ha fått rangverdien. Her fant vi rangeringsverdiene til "OBT_MARKS" for studentene og la ikke noen parameter til denne "rang ()" -metoden. Etter å ha fått rangverdiene i stigende rekkefølge, lagrer vi de verdiene som vi får i kolonnen “Student_rank” etter å ha brukt “Rank ()” -metoden. Vi sorterer disse verdiene ved hjelp av “Sort.verdier () ”-metoden og legg navnet på kolonnen hvis data vi ønsker å sortere i den, og dette kolonnenavnet er“ Student_rank ”her. Vi setter også "sant" som verdien av "inplace" -parameteren. Så trykker vi igjen "School_df", som vil returnere den sorterte "Student_rank" -kolonnen.

Den viser først rangeringsverdiene foran hver rad i den nye kolonnen, som er "student_rank" her, og deretter sorterer den disse verdiene, som er gjengitt i kolonnen "Student_rank" og viser også de sorterte, rangerte verdiene i nedenfor “School_df.”

Eksempel nr. 05

Nå bruker vi “Rank ()” -metoden på CSV -filen. For å gjøre dette, må vi lese CSV -filen ved hjelp av “PD.Les () ”-metode. Så vi legger denne metoden her, som leser dataene fra CSV -filen og lagrer den i "my_data" -variabelen i form av DataFrame. Deretter setter vi inn en "enhetsrangering" -kolonne, og dataene vi får etter å ha brukt "rang ()" -metoden på "enhetene" -kolonnen i CSV -filen blir deretter lagret i denne kolonnen. Etter dette bruker vi “Print ()” for å vise DataFrame sammen med den nye kolonnen, som vi har lagt til her.

Dette er dataene fra CSV -filen, og du kan også merke at "enhetsrangering" -kolonnen vises her, som inneholder rangverdiene, og vi får disse verdiene ved hjelp av "rang ()" -metoden.

Konklusjon

Denne guiden tar sikte på å beskrive "Pandas Rank" -funksjonen i detalj. Vi har beskrevet at vi benyttet denne metoden for å finne rangering av numeriske data. Vi har også brukt "rang ()" -metoden i kodene våre her og har vist de rangerte verdiene i stigende så vel som synkende rekkefølge. Vi sorterer også "rang" -verdiene her i kodene våre og har forklart disse kodene og denne "rang ()" -metoden i detalj. Vi har også brukt denne "rang ()" -metoden på dataene fra CSV -filen og forklart deg hvordan du gjør dette. Denne guiden har beskrevet alt om “rang ()” -metoden til “pandaer” med riktig forklaring.