Zaczynam od takich danych wejściowych jak to df1 = pandas.DataFrame( { "Name" : ["Alice", "Bob", "Mallory", "Mallory", "Bob" , "Mallory"] , "City" : ["Seattle", "Seattle", "Portland", "Seattle", "Seattle", "Portland"] } ) Które po wydrukowaniu wygląda następująco: City Name 0 Seattle...
Mam ramkę danych 20 x 4000 w Pythonie, używając pand. Dwie z tych kolumn są nazwane Yeari quarter. Chciałbym utworzyć zmienną o nazwie periodmake Year = 2000i quarter= q2into 2000q2. Czy ktoś może w tym
W Pythonie Pandas jaki jest najlepszy sposób sprawdzenia, czy DataFrame ma jedną (lub więcej) wartości NaN? Wiem o tej funkcji pd.isnan, ale zwraca DataFrame booleans dla każdego elementu. Ten post tutaj również nie odpowiada na moje
Stworzyłem Pandas DataFrame df = DataFrame(index=['A','B','C'], columns=['x','y']) i mam to xy NaN NaN B NaN NaN C NaN NaN Następnie chcę przypisać wartość do konkretnej komórki, na przykład dla wiersza „C” i kolumny „x”. Spodziewałem się takiego wyniku: xy NaN NaN B NaN NaN C 10 NaN z...
Jestem zainteresowany wiedzą, jak przekonwertować ramkę danych pandy na tablicę NumPy. ramka danych: import numpy as np import pandas as pd index = [1, 2, 3, 4, 5, 6, 7] a = [np.nan, np.nan, np.nan, 0.1, 0.1, 0.1, 0.1] b = [0.2, np.nan, 0.2, 0.2, 0.2, np.nan, np.nan] c = [np.nan, 0.5, 0.5,...
Czy możesz mi powiedzieć, kiedy stosować te metody wektoryzacji w podstawowych przykładach? Widzę, że mapjest to Seriesmetoda, podczas gdy reszta to DataFramemetody. Miałem jednak wątpliwości applyi applymapmetody. Dlaczego mamy dwie metody zastosowania funkcji do DataFrame? Ponownie proste...
Zaczynam od dokumentów DataFrame pand tutaj: http://pandas.pydata.org/pandas-docs/stable/dsintro.html Chciałbym iteracyjnie wypełnić DataFrame wartościami w rodzaju obliczeń szeregów czasowych. Zasadniczo chciałbym zainicjować ramkę danych z kolumnami A, B i wierszami znaczników czasu, wszystkie 0...
Mam dane, w których chcę znaleźć liczbę NaN, więc jeśli jest mniejsza niż jakiś próg, upuszczę te kolumny. Spojrzałem, ale nie byłem w stanie znaleźć dla tego żadnej funkcji. istnieje value_counts, ale byłoby to dla mnie powolne, ponieważ większość wartości jest odrębna i chcę NaNtylko liczyć...
Mam ramkę danych, jak poniżej itm Date Amount 67 420 2012-09-30 00:00:00 65211 68 421 2012-09-09 00:00:00 29424 69 421 2012-09-16 00:00:00 29877 70 421 2012-09-23 00:00:00 30990 71 421 2012-09-30 00:00:00 61303 72 485 2012-09-09 00:00:00 71781 73 485 2012-09-16 00:00:00 NaN 74 485 2012-09-23...
Wydaje się to dość oczywiste, ale nie potrafię wymyślić, jak przekonwertować indeks ramki danych na kolumnę? Na przykład: df= gi ptt_loc 0 384444683 593 1 384444684 594 2 384444686 596 Do, df= index1 gi ptt_loc 0 0 384444683 593 1 1 384444684 594 2 2 384444686 596...
Mam DataFramez 4 kolumnami, z których 2 zawierają wartości ciągu. Zastanawiałem się, czy istnieje sposób na wybranie wierszy na podstawie częściowego dopasowania ciągu do konkretnej kolumny? Innymi słowy, funkcja lub funkcja lambda, która zrobiłaby coś podobnego re.search(pattern,...
Mam następujące DataFrame: Col1 Col2 Col3 Type 0 1 2 3 1 1 4 5 6 1 ... 20 7 8 9 2 21 10 11 12 2 ... 45 13 14 15 3 46 16 17 18 3 ... DataFrame jest odczytywany z pliku csv. Wszystkie wiersze, które mają Type1, są na górze, następnie wiersze z Type2, a następnie wiersze z Type3 itd. Chciałbym...
Mam ramkę danych dfi używam z niej kilku kolumn do groupby: df['col1','col2','col3','col4'].groupby(['col1','col2']).mean() W powyższy sposób prawie otrzymuję potrzebną tabelę (ramkę danych). Brakuje dodatkowej kolumny, która zawiera liczbę wierszy w każdej grupie. Innymi słowy, mam na myśli, ale...
Jak mogę uzyskać odpowiedniki SQL INi NOT IN? Mam listę z wymaganymi wartościami. Oto scenariusz: df = pd.DataFrame({'countries':['US','UK','Germany','China']}) countries = ['UK','China'] # pseudo-code: df[df['countries'] not in countries] Mój obecny sposób na zrobienie tego jest...
Korzystam z programu, który przetwarza 30 000 podobnych plików. Losowa ich liczba zatrzymuje się i wyświetla ten błąd ... File "C:\Importer\src\dfman\importer.py", line 26, in import_chr data = pd.read_csv(filepath, names=fields) File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line...
Próbuję zapisać plik CSV do folderu po wprowadzeniu pewnych zmian w pliku. Za każdym razem, gdy używam pd.to_csv('C:/Path of file.csv')pliku csv, ma osobną kolumnę indeksów. Chcę uniknąć drukowania indeksu do csv. Próbowałem: pd.read_csv('C:/Path to file to edit.csv', index_col = False) I aby...
Chciałbym odczytać kilka plików csv z katalogu do pand i połączyć je w jedną dużą ramkę danych. Nie byłem jednak w stanie tego rozgryźć. Oto co mam do tej pory: import glob import pandas as pd # get data file names path =r'C:\DRO\DCL_rawdata_files' filenames = glob.glob(path + "/*.csv") dfs =...
Jestem ciekawy, dlaczego df[2]nie jest obsługiwany, podczas gdy df.ix[2]i df[2:3]oba działają. In [26]: df.ix[2] Out[26]: A 1.027680 B 1.514210 C -1.466963 D -0.162339 Name: 2000-01-03 00:00:00 In [27]: df[2:3] Out[27]: A B C D 2000-01-03 1.02768 1.51421 -1.466963 -0.162339 Spodziewałbym się,...
To może być proste pytanie, ale nie mogę wymyślić, jak to zrobić. Powiedzmy, że mam dwie zmienne w następujący sposób. a = 2 b = 3 Chcę zbudować DataFrame z tego: df2 = pd.DataFrame({'A':a,'B':b}) To generuje błąd: ValueError: Jeśli używasz wszystkich wartości skalarnych, musisz przekazać...
Załóżmy, że mam dfco ma kolumny 'ID', 'col_1', 'col_2'. I definiuję funkcję: f = lambda x, y : my_function_expression. Teraz chcę zastosować fdo df„s dwie kolumny 'col_1', 'col_2'do elementu mądry obliczy nową kolumnę 'col_3', trochę jak: df['col_3'] = df[['col_1','col_2']].apply(f) # Pandas...