Pandas vlookup

"Pandas" ist eine großartige Sprache, um die Analyse von Daten aufgrund seines großen Ökosystems datenzentrierter Pythonpakete durchzuführen. Das erleichtert die Analyse und den Import beider Faktoren. Das "vlookup" steht für die "vertikale Suche". Es wird verwendet, um die beiden verschiedenen Tabellen im Datenrahmen zusammenzuführen, in denen einige gemeinsame Attribute zwischen ihnen vorhanden sein sollten (die beiden Tabellen). Als Ausgabe erhalten wir eine einzelne Tabelle, die aus den Daten aus beiden gemeinsamen Tabellen besteht. Dies ähnelt der eine Suchfunktion, die in "Excel" verwendet wird. Wir werden alle möglichen Methoden implementieren, bei denen der Pandas vlookup verwendet wird. Für die Ausführung der Codes werden wir das „Spyder“ verwenden, eine Software, die in „Python“ in einer freundlichen Sprache geschrieben ist.

Syntax:

„PD.Merge (df1, df2, auf = 'Spaltenname', wie = 'links')

Die bereitgestellte Syntax wird für das Vlookup in Pandas verwendet. Wir werden es mit der Funktion „Merge“ von Pandas tun. Das "DF" in der Syntax ist eine Abkürzung des "DataFrame". Die "PD" ist die Pandas -Bibliothek und die "Punkt" -Merge -Funktion damit. Es erledigt die Arbeit, die Ähnlichkeiten zwischen den beiden Spalten im DataFrame zu entsprechen. In der Klammer können wir dann die DataFrame -Namen mit der Methode schreiben, die wir ausführen möchten. Wir werden alle Methoden durchführen: „inner“, „links“ und „rechts“.

Im Folgenden finden Sie die Methode der Pandas Vlookup -Methode. Wir werden es mit den Beispielen für ein besseres Verständnis tun.

• • Vlookup -Funktion mit Merge (innerer Join)
  • Vlookup -Funktion mit Merge (äußerer Join)
  • Vlookup -Funktion mit Merge (Right Join)
  • Vlookup -Funktion mit Merge (links join)

Erstellen eines Datenrahmens für die Beispielimplementierung von Pandas vlookup

Um einen Datenrahmen zu erstellen, öffnen Sie das "Spyder" -Tool, während wir dies für die Beispiele verwenden werden. Wir importieren zuerst die Bibliothek von Pandas als "PD". Der DataFrame besteht aus den „Spielern“ und dem „Team“. Die Spieler sind "n", "m", "o", "p", "q" und "r". Und die Teams sind „elf“ und „zwanzig“. So wird der Datenrahmen mit der angegebenen Druckanweisung erstellt.

Die Ausgabe zeigt den im folgenden Code angegebenen erstellten DataFrame an:

Erstellen eines weiteren Datenrahmens für die Beispielausführung von Pandas Vlookup

Hier erstellen wir einen weiteren Datenrahmen, damit die Anwendung möglich ist. Wir gehen Schritt für Schritt so, dass das Pandas vlookup ein klares Verständnis gibt. Der Datenrahmen besteht aus den „Spielern“ und den „Punkten“. Die Spieler sind "36", "85", "44", "55", "35" und "25". Anschließend wird die Anweisung "Drucken" Daten für die Erstellung des Datenrahmens übergeben, der auf der Ausgabekonsole angezeigt wird.

Die Ausgabe zeigt einen anderen Datenrahmen, das erstellt wurde, wobei die im Code eingefügten Daten eingefügt wurden:

Da wir zwei separate Datenrahmen erstellt haben, verwenden wir sie jetzt für Impleto, die die vlookup -Funktion implementieren.

Beispiel 1: Vlookup -Funktion mit Merge (linker Join)

In diesem Fall werden wir die Vlookup -Funktion mit dem Merge -Join ausführen. Das "DF" besteht aus den Spielern als "Q", "W", "E," R "," T "und" Y "und den Teams" Seventeen "und" Achtzehn ". Der zweite DataFrame hat die Punkte "52", "18", "14", "13", "12" und "11". Die Vlookup -Funktion schaut zu den Werten in den DataFrame -Tabellen, in der Spalte übereinstimmt. Der „linke“ Join -Operation liefert alle Zeilen aus dem "ersten" Datenrahmen und führt die Übereinstimmung mit der "zweiten" Überprüfung durch, welche Zeilen nicht übereinstimmen, sodass diese Werte als "Nan" ersetzt werden.

Die NAN steht für „kein Wert“, was bedeutet, dass dort kein Wert zugewiesen ist. Wie wir sehen können, ist die „Spieler“ die gemeinsame Kategorie unter den beiden Datenrahmen. Die Bedingung erfüllt also und die linke Verbindung ist auf dem Ort, an dem sich dieses Beispiel bewegt.

Das Display zeigt den Vlookup -Datenframe in Pandas an, während die Spieler die Informationen des Teams bzw. der Punkte verfolgen.

Beispiel 2: Vlookup -Funktion mit Merge (innerer Join)

Hier werden wir das Pandas Vlookup mit dem Merge Inner Join ausführen. Der DataFrame hat die Spieler "A", "S", "D", "F", "G" und "H". Beide Datenrahmen haben den Namen des gleichen Spielers. Das "DF1" besteht aus dem Team als "zwölf und" achtzehn ". Während der "DF2" Punkte von Spielern wie "91", "92", "93", "94", "95" und "96" hat. Die Methode, die wir in diesem Beispiel für die vlookup -Funktion verwenden. Wir geben das Schlüsselwort „inner“ für die Leistung im DataFrame an.

Die Ergebnisse zeigen, dass der innere Join ausgeführt wird, wie wir sehen, dass die Funktion pandas vlookup dargestellt wird.

Beispiel 3: Vlookup -Funktion mit Merge (Right Join)

In Beispiel 1 haben wir den linken Join -Operation für das Vlookup in Pandas durchgeführt. Hier werden wir ein Beispiel für den Pandas Vlookup mit dem Zusammenschluss „Right“ machen, was fast homogen ist, wenn der „linke Join“ ist, der fast homogen ist. Das "DF" umfasst die Spieler wie "Z", "X", "C", "V", "B und" K "in beiden Datenrahmen. Das „DF1“ umfasst die Teams wie „Oval“, „Quadrat“ und „Rechteck“, bei denen die andere DF die Punkte wie „86“, „85“, „84“, „83“, „82“ und „81“ hat individuell. Die Spezifikation des richtigen Join sollte mit der Merge -Halterung im Code erfolgen,.

Das Display zeigt den richtigen Join -Funktionsdatenrahmen der Pandas Vlookup -Funktion, die dem im DataFrame für den Pandas vlookup durchgeführten Pandas -Join -Betrieb „Links“ ähnlich ist.

Beispiel 4: Vlookup -Funktion mit Merge (äußerer Join)

Hier führen wir die äußere Join -Funktion für den Pandas vlookup aus. Der DataFrame besteht aus den Daten als Spieler für den DataFrame als "L", "J", "U", "T", "P" und "M". Das "DF1" besteht aus dem Team als "Kreis" und "Geschwindigkeit". Das "DF2" besteht aus den Punkten "77", "47", "35", "90" und "19". Der äußere Join, den wir hier verwenden, ist für die Verwendung der Bereitstellung des Anzeigedatenframe, das sowohl die Datenrahmen, deren Wert übereinstimmt, und die NO -zugewiesenen Werte als "Nan" angezeigt werden.

Der Ausgang zeigt die äußere Join -Methode der Pandas Vlookup -Funktion an. Die NAN in der Anzeige sind die nicht zugewiesenen Werte.

Abschluss

Die Pandas vlookup unter Verwendung der Merge () -Operation erleichtert die Ausführung der Funktion „vlookup“ im „Vlookup -Stil“ im „Vlookup“. Wir haben alle Methoden durchgeführt, bei denen der Pandas vlookup verwendet werden kann. Wir haben dies mit den Merge -Funktionen von "Inner Join", "Outer Join", "Links Join" und den "Right -Join" -Methoden getan. Alle Methoden haben eine großartige Leistung, abhängig von den Situationen, in denen das Pandas vlookup verwendet werden kann. Das Pandas Vlookup wurde so bequem wie die Datenrahmen „Daten“, die alle verwaltet und gut dargestellt werden. Alle zusätzlichen Spalten wurden nur durch das Schreiben weggelassen, sobald sie im Datenrahmen gemeinsam sind. Die Werte sollten alarmierend sein, was eine Analyseleistung für die weitere Bewertung der Daten so gut wie möglich macht.