Pandas Rang
Syntax
Datenrahmen.Rank (axis = 0, method = "durchschnitt", numeric_only = none, na_option = "keepion", stesend = true/false, pct = false)
Beispiel # 01
Spyder ist das Werkzeug, mit dem wir diese "Pandas" -Codes erstellen, die in diesem Handbuch vorhanden sind. Das Import der Bibliotheken ist der erste Schritt, den wir beim Schreiben des „Pandas“ -Codes unternehmen müssen. Das Schlüsselwort "Import" wird zum Importieren der Bibliothek verwendet. Die "Pandas" -Bibliothek ist die Bibliothek, die importiert werden muss. Nach dem Eingeben des „Imports“ geben wir hier „Pandas als PD“ ein. Danach erstellen wir den Datenrahmen. Das „PD“ zeigt, dass der "DataFrame ()" die Methode von "Pandas" ist, die wir hier erhalten, indem wir "PD" mit dieser "DataFrame ()" -Methode eingeben.
Die erste Spalte ist die Spalte "Name", und in dieser Spalte fügen wir "Los Angeles, New York, Frankreich, Chicago, Denver, Delhi, Paris, Istanbul und Boston" ein. Wir fügen dann die Spalte "Parks" hinzu, die die Anzahl der Parks wie „45, 58, 82, 90, 64, 75, 44, 81 und 59“ enthält. Wir haben hier zwei weitere Kolumnen, die „Krankenhäuser“ und „Schulen“ sind. In der Spalte „Krankenhäuser“ fügen wir "125, 115, 92, 100, 84, 105, 98, 99 und 159" hinzu, und in der Spalte „Schulen“ fügen wir "95, 158, 182, 99, 74" hinzu, 115, 104, 81 und 99 ”. Jetzt verwenden wir die Methode "print ()", um diesen Datenrahmen anzuzeigen.
Wir können die Ausgabe unserer Codes leicht sehen, wenn wir im Tool "Spyder" auf das Symbol "Ausführen" klicken. Hier ist das Ergebnis dieses Codes, und es ist zu erkennen, dass in diesem Ergebnis nur der von uns erstellte Datenrahmen angezeigt wird. Jetzt werden wir die Methode „Rank ()“ verwenden, um den Rang der numerischen Daten zu erhalten.
Wir erstellen zuerst die neue Spalte hier, indem wir den Namen des Datenrahmens platzieren, und fügen hier den neuen Spaltennamen ein, der "Hospital_Rank" ist, hier. Dann wenden wir die Methode „Rank ()“ auf die Spalte „Krankenhäuser“ an und speichern das Ergebnis in der neuen Spalte, die wir hier erstellt haben. Danach legen wir den Namen des Datenrahmens in "print ()" ", sodass auch die neue Spalte hinzugefügt und auf dem Bildschirm gerendert wird.
Es gibt den Rang zu den Daten „Krankenhäuser“ und zeigt ihn in einer anderen Spalte an, die wir oben erstellt haben. Es zeigt die Rangwerte an. Es gibt dem Rangwert "1" den kleinsten Werten und dann so weiter.
Wir wenden diese "Rank ()" -Methode auch auf die Spalte "Schulen" an und speichern die Rangwerte in der Spalte "School_Rank" hier. Wir haben keinen Parameter an diese Funktion „rank ()“ übergeben, sodass er den Rang zu den Werten der „Schulen“ in aufsteigender Reihenfolge gibt.
Die Spalte „School_Rank“ wird hier angezeigt, und in dieser Spalte werden die Rangwerte erwähnt. Dies sind die Rangwerte der Spalte „Schulen“, da wir diese Methode auf die Spalte „Schulen“ anwenden.
Beispiel # 02
Hier wird "School_df" erstellt. Wir haben „PD verwendet.DataFrame () ”, um den Datenrahmen in„ Pandas “zu generieren, und infolgedessen wurde dieser Datenrahmen erstellt. Zusätzlich fügen wir einige Spalten hinzu, und diese Spalten enthalten auch Daten. Die Spalte, die wir zuerst hinzufügen, ist die Spalte "Name". Dann sind in dieser Spalte „Resse, Collins, Layla, Cora, Bromley, Ellis, Kelly und Bromley“ vorhanden. In der folgenden Spalte, obt_marks "fügen wir" 150, 334, 39, 376, 585, 190, 453 und 669 "hinzu. Hier ist die dritte Spalte mit „obt_per“ bezeichnet, und wir geben die Prozentsätze „30%, 55%, 10%, 58%, 75%, 33%, 62%und 81%“ ein.
Dann haben wir die Spalte "Qualify". Es enthält die folgenden Daten, "nicht gefördert, gefördert, nicht gefördert, gefördert, gefördert, nicht gefördert, gefördert, gefördert". Jetzt drucken wir diesen Datenrahmen und fügen dann eine neue Spalte mit dem Namen "student_rank" in diesem Datenrahmen hinzu und wenden die Funktion "Rank ()" auf die Spalte "obt_marks" an. Wir setzen auch den Wert des Parameters "aufsteigend" auf "Falsch".
Wenn diese Methode "Rank ()" für die Daten der Spalte "obt_marks" gilt, speichert sie die Werte "Rank" in der Spalte "student_rank", die hier zu diesem Datenrahmen hinzugefügt wird. Anschließend drucken wir den DataFrame erneut, der auch die Spalte "School_Rank" enthält.
Die Spalte „Student_Rank“ wird auch im aktualisierten Datenrahmen angezeigt und zeigt den Rang der Spaltenwerte „obt_marks“ in absteigender Reihenfolge an, da wir "False" als Wert des Parameters "Ascending" festgelegt haben.
Beispiel # 03
In diesem Cod. Zusätzlich haben wir den Wert des Parameters „aufsteigend“ in „wahr“ geändert. Wenn die Spalte dieses DataFrame "student_rank" Daten aus der Spalte "Obt Marks" über die Methode "Rank ()" empfängt, werden die Werte von "Rank" danach gespeichert, wobei die Methode "Rank ()" angewendet wird. Der Datenrahmen wird dann hier noch einmal gedruckt.
Wir setzen "true" als Wert für die Option "aufsteigend" in der Methode "Rank ()", so dass die Spalte "student_rank", die im geänderten Datenrahmen vorhanden ist in aufsteigender Reihenfolge.
Beispiel # 04
Jetzt wenden wir die Funktion „Rank ()“ an und sortieren auch die Daten, nachdem wir den Rangwert erhalten haben. Hier fanden wir die Rangwerte der „obt_marks“ der Schüler und fügten dieser Methode „Rank ()“ keinen Parameter hinzu. Nachdem wir die Rangwerte in aufsteigender Reihenfolge erhalten haben, speichern wir die Werte, die wir in der Spalte „Student_Rank“ erhalten, nachdem wir die Methode „Rank ()“ angewendet haben. Wir sortieren diese Werte mit Hilfe der „Sortierung.Werte () ”Methode und geben Sie den Namen der Spalte ein, deren Daten wir sortieren möchten, und dieser Spaltenname ist„ student_rank “hier. Wir setzen auch „wahr“ als Wert des Parameters „Inplace“. Dann drucken wir erneut die "School_DF", die die sortierte Spalte "Schüler_Rank" zurückgibt.
Es zeigt zunächst die Rangwerte vor jeder Zeile in der neuen Spalte an, die hier „student_rank“ ist, und sortiert dann diese Werte, die in der Spalte „Student_Rank“ gerendert werden und auch die sortierten, bewerteten Werte in den folgenden angezeigt werden “School_df.”
Beispiel # 05
Jetzt wenden wir die Methode „Rank ()“ auf die CSV -Datei an. Dazu müssen wir die CSV -Datei mit Hilfe des „PD“ lesen.read () ”Methode. Wir setzen diese Methode hier, die die Daten der CSV -Datei liest und sie in der Variablen „my_data“ in Form von DataFrame speichert. Anschließend fügen wir eine Spalte "Einheit Rank" ein, und die Daten, die wir nach der Anwendung der Methode "Rank ()" auf die Spalte "Einheiten" der CSV -Datei erhalten haben, wird dann in dieser Spalte gespeichert. Danach verwenden wir die "print ()" zum Anzeigen des Datenrahmens zusammen mit der neuen Spalte, die wir hier hinzugefügt haben.
Dies sind die Daten der CSV -Datei, und Sie können auch beachten, dass die Spalte „Einheit Rang“ hier angezeigt wird, die die Rangwerte enthält, und wir haben diese Werte mit Hilfe der Methode „Rank ()“ erhalten.
Abschluss
Dieser Leitfaden zielt darauf ab, die Funktion „Pandas Rang“ im Detail zu beschreiben. Wir haben beschrieben, dass wir diese Methode verwendet haben, um den Rang der numerischen Daten zu finden. Wir haben auch die Methode „Rank ()“ in unseren Codes hier verwendet und die Ranglistenwerte in Ascending sowie absteigender Reihenfolge gezeigt. Wir sortieren auch die "Rang" -Werte hier in unseren Codes und haben diese Codes und diese "Rank ()" -Methode im Detail erläutert. Wir haben diese Methode „Rank ()“ auch auf die Daten der CSV -Datei angewendet und Ihnen erklärt, wie das geht. Dieser Leitfaden hat alles über die Methode „Rank ()“ von „Pandas“ mit der richtigen Erklärung beschrieben.