Pandas und Zustand

"Wir können" Pandas "als Open-Source-Tool definieren. Mit "Pandas" können wir verschiedene Wörterbücher und Datenrahmen erstellen. Wir können auch Bedingungen und Betreiber auf unsere Daten in „Pandas“ anwenden. Hier werden wir den „und“ Operator diskutieren, den wir unter unseren Bedingungen in „Pandas“ verwenden werden. Wenn wir den „und“ Operator in einer Bedingung verwenden, wird „wahr“ zurückgegeben, wenn alle Bedingungen erfüllt sind, und wenn eine Bedingung nicht erfüllt ist, gibt es „falsch“ zurück, wenn eine Bedingung erfüllt ist, wenn eine Bedingung nicht erfüllt ist. In den meisten Programmiersprachen wird es durch das Zeichen "&&" symbolisiert, aber in Pandas -Programmierung wird es durch "&" symbolisiert. Wir werden den „und Zustand“ in diesem Tutorial untersuchen.”

Syntax

df [(cond_1) & (cond_2)]

Beispiel 01

Wir machen diese Codes in der "Spyder" -AP. Während wir die Pandas -Codes machen. Dann generieren wir ein Wörterbuch mit dem Namen "Cond", und die Daten, die wir hier einfügen, sind "A1", "A2" und "A3" sind die Spaltennamen, und wir fügen "1, 2 und 3" in die "in die" hinzu " A1 ”in„ A2 “gibt es„ 2, 6 und 4 “und der letzte„ A3 “enthält„ 3, 4 und 5 “.

Dann bewegen wir uns, um den Datenrahmen dieses Wörterbuchs durch die Verwendung des „PD.DataFrame ”hier. Dadurch wird der Datenrahmen der oben genannten Wörterbuchdaten zurückgegeben. Wir rendern es auch, indem wir hier die „print ()“ bereitstellen, und danach wenden wir einige Bedingungen an und verwenden auch den „&“ -Operator in diesem Zustand. Die erste Bedingung hier < 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.

Es überprüft sowohl "A1 "- als auch" A2 "-Spalten des Datenrahmens und gibt dann das Ergebnis zurück. Das Ergebnis wird auf dem Bildschirm angezeigt, da wir die Anweisung „Print ()“ verwenden.

Das Ergebnis ist hier. Es wird alle Daten angezeigt, die wir in den Datenrahmen eingefügt haben, und überprüft dann beide Bedingungen. Es gibt diese Zeilen zurück, in denen „A1> = 1“ und auch „A2 < 5”. We get two rows in this output because both conditions are satisfied in two rows.

Beispiel 02

In diesem Beispiel erstellen wir den Datenrahmen direkt, nachdem wir die „Pandas als PD“ importiert haben, direkt. Der Datenrahmen „Team“ wird hier erstellt, wobei die Daten mit vier Spalten enthalten sind. Die erste Spalte ist die Spalte "Teams" hier, in der wir "A, A, B, B, B, B, C, C" einstellen. Dann ist die Kolumne neben den "Teams" "Score", in der wir "25, 12, 15, 14, 19, 23, 25 und 29" einfügen. Danach ist die Spalte, die wir haben, "out", und wir fügen auch Daten darin als "5, 7, 7, 9, 12, 9, 9 und 4" hinzu. Unsere letzte Spalte hier ist die Spalte "Rebounds", die auch einige numerische Daten enthält, die "11, 8, 10, 6, 6, 5, 9 und 12" sind.

Der DataFrame ist hier abgeschlossen, und jetzt müssen wir diesen Datenrahmen drucken. Wir möchten einige spezifische Daten aus diesem Datenrahmen erhalten, sodass wir hier einige Bedingungen festlegen. Wir haben hier zwei Bedingungen und fügen den „und“ Operator zwischen diesen Bedingungen hinzu, sodass er nur die Bedingungen zurückgibt, die beide Bedingungen erfüllen. Die erste Bedingung, die wir hier hinzugefügt haben, ist der „Score> 20“ und platziert dann den „&“ -Operator und die andere Bedingung, nämlich „out == 9“.

Es filtert also diese Daten, bei denen die Punktzahl des Teams weniger als 20 beträgt und auch ihre Outs 9 beträgt. Es filtert diese und ignoriert die verbleibenden. Wir zeigen auch diese Daten an, die beide Bedingungen erfüllen, sodass wir die Methode „Print ()“ verwendet haben.

Nur zwei Zeilen erfüllen beide Bedingungen, die wir auf diesen Datenrahmen angewendet haben. Es filtert nur die Zeilen, in denen die Punktzahl größer als 20 ist, und auch ihre Outs sind 9 und zeigen sie hier an.

Beispiel 03

In unseren oben genannten Codes geben wir die numerischen Daten einfach in unseren Datenrahmen ein. Jetzt setzen wir einige String -Daten in diesen Code ein. Nach dem Import der „Pandas als PD“ bewegen wir uns, um einen "Mitglieds" -Datenrahmen zu erstellen. Es enthält vier einzigartige Spalten. Der Name der ersten Spalte hier lautet "Name", und wir fügen die Namen der Mitglieder ein, die "Verbündete, Rechnungen, Charles, David, Ethen, George und Henry" sind. Die nächste Kolumne heißt hier als "Ort" und hat „Amerika. Kanada, Europa, Kanada, Deutschland, Dubai und Kanada “darin. Die Spalte "Code" enthält "W, W, W, E, E, E und E". Wir fügen auch die "Punkte" der Mitglieder hier als "11, 6, 10, 8, 6, 5 und 12" hinzu. Wir machen den Datenrahmen "Mitglied" mit der Verwendung der Methode "print ()". Wir haben einige Bedingungen in diesem Datenrahmen angegeben.

Hier haben wir zwei Bedingungen, und indem wir den „und“ Operator zwischen ihnen hinzufügen, werden nur die Bedingungen zurückgegeben, die beide Bedingungen erfüllen. Hier ist die erste Bedingung, die wir eingeführt haben <= 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.

Im Folgenden können Sie feststellen, dass zwei Zeilen aus dem Datenrahmen extrahiert und angezeigt werden. In beiden Reihen ist der Standort „Kanada“ und die Punkte sind weniger als 9.

Beispiel 04

Wir importieren sowohl die "pandas" als auch "numpy" hier als "PD" bzw. "NP". Wir erhalten die "Pandas" -Methoden, indem wir "PD" und die "Numpy" -Methoden platzieren. Dann enthält das hier erstellte Wörterbuch drei Spalten. In der Spalte "Name", in der wir "Verbündete, George, Nimi, Samuel und William" einfügen ". Als nächstes haben wir die Spalte "obt_marks", die die erhaltenen Markierungen der Schüler enthält, und diese Marken sind "4, 47, 55, 74 und 31".

Wir erstellen hier auch eine Spalte für die "prac_marks", die die praktischen Noten des Schülers haben. Die Markierungen, die wir hier hinzufügen, sind "5, 67, 54, 56 und 12". Wir machen den Datenrahmen dieses Wörterbuchs und drucken es dann drucken Sie es. Wir wenden den „NP an.Logical_and ”hier, das das Ergebnis in„ wahr “oder„ falsch “zurückgibt. Wir speichern das Ergebnis auch, nachdem wir beide Bedingungen in einer neuen Spalte überprüft haben, die wir hier mit dem Namen "pass_status" erstellt haben, das wir erstellt haben.

Es prüft, dass die "obt_marks" größer als "40" und "prac_marks" größer als "40" ist. Wenn beide wahr sind, wird es in der neuen Spalte wahr sein; Ansonsten macht es falsch.

Die neue Spalte wird mit dem Namen "Pass_status" hinzugefügt, und diese Spalte besteht nur aus "wahr" und "falsch". Es wird wahr, wo die erhaltenen Markierungen und die praktischen Markierungen größer als 40 sind und für die verbleibenden Reihen falsch sind.

Abschluss

Das Hauptziel dieses Tutorials ist es, das Konzept von „und Zustand“ in „Pandas“ zu erklären. Wir haben darüber gesprochen, wie wir diese Zeilen erwerben können, in denen beide Bedingungen erfüllt sind, oder wir werden auch für diejenigen, bei denen alle Bedingungen zufrieden sind und für die verbleibenden falsch sind. Wir haben hier vier Beispiele untersucht. Alle vier Beispiele, die wir in diesem Tutorial festgelegt haben. Die Beispiele in diesem Tutorial wurden alle sorgfältig zu Ihrem Vorteil präsentiert. Dieses Tutorial sollte Ihnen helfen, diese Idee klarer zu verstehen.