Нарезка фрейма данных Pandas

С помощью Pandas мы можем выполнить нарезку в кадре данных.Нарезка во фреймах данных Pandas с помощью iloc[] — это новый метод в Python для извлечения определенных подмножеств данных.Метод iloc[] Позволяет находить и извлекать стоки и столбцы на основе их целочисленных позиций.

Чтобы настроить резку с помощью iloc[] вы указываете индексы строк и столбцов, которые необходимо включить в нарезанный кадр данных.Синтаксис аналогичен традиционной нарезке массивов, что делает его преобразование понятным для пользователей Python.Например, df.iloc[1:5, 2:4] извлекает строки со 2-й по 5-ю и столбцы с 3-го по 4-й из кадра данных.

Создание каркаса данных в Pandas включает в себя следующие шаги:

1. Создание каркаса данных
2. Нарезать каркас данных

Давайте импортируем библиотеку pandas и создадим структуру данных pandas из пользовательского вложенного списка.

import pandas as pd

player_list = [['M.S.Dhoni', 36, 75, 5428000],
               ['A.B.D Villers', 38, 74, 3428000],
               ['V.Kohli', 31, 70, 8428000],
               ['S.Smith', 34, 80, 4428000],
               ['C.Gayle', 40, 100, 4528000],
               ['J.Root', 33, 72, 7028000],
               ['K.Peterson', 42, 85, 2528000]]

df = pd.DataFrame(player_list, columns=['Name', 'Age', 'Weight', 'Salary'])
df # data frame before slicing

Вывод:

Имя Возраст Вес Зарплата 
0 MSDhoni 36 75 5428000 
1 ABD Villers 38 74 3428000 
2 V.Kohli 31 70 8428000 
3 S.Smith 34 80 4428000 
4 C.Gayle 40 100 4528000 
5 J.Root 33 72 7028000 
6 K.Peterson 42 85 2528000

1. Нарезка с помощью iloc

A. Нарезка строки в кадре данных в Python

df1 = df.iloc[0:4]
df1

Вывод:

Name  Age  Weight   Salary
0      M.S.Dhoni   36      75  5428000
1  A.B.D Villers   38      74  3428000
2        V.Kohli   31      70  8428000
3        S.Smith   34      80  4428000

В приведенном выше примере мы вырезали строки из фрейма данных.

B. Нарезка столбцов в фрейме данных в python

df1 = df.iloc[:, 0:2]
df1

Вывод:

Name  Age
0      M.S.Dhoni   36
1  A.B.D Villers   38
2        V.Kohli   31
3        S.Smith   34
4        C.Gayle   40
5         J.Root   33
6     K.Peterson   42

В приведенном выше примере мы вырезали столбцы из фрейма данных.

C. Выбор определенной ячейки в фрейме данных в Python

specific_cell_value = df.iloc[2, 3]  
print("Specific Cell Value:", specific_cell_value)

Вывод:

Specific Cell Value: 8428000

D. Использование логических условий в фрейме данных в Python

filtered_data = df[df['Age'] > 35].iloc[:, :]  
print("\nFiltered Data based on Age > 35:\n", filtered_data)

Вывод:

Filtered Data based on Age > 35:
             Name  Age  Weight   Salary
0      M.S.Dhoni   36      75  5428000
1  A.B.D Villers   38      74  3428000
4        C.Gayle   40     100  4528000
6     K.Peterson   42      85  2528000

2. Нарезка с использованием loc[]

Мы также можем реализовать нарезку через loc, но есть некоторые ограничения:

• loc Он полагается на метки, и если в вашем DataFrame есть пользовательские метки, вам нужно быть осторожным при их указании.
• Если метки являются целыми числами, может возникнуть путаница между использованием целых чисел в качестве позиций и фактическими метками.

Для этого нам нужно вручную установить индекс в виде меток с помощью следующего кода:

df_custom = df.set_index('Name')
df_custom

Вывод:

    Age    Weight    Salary
Name            
M.S.Dhoni    36    75    5428000
A.B.D Villers    38    74    3428000
V.Kohli    31    70    8428000
S.Smith    34    80    4428000
C.Gayle    40    100    4528000
J.Root    33    72    7028000
K.Peterson    42    85    2528000

A. Нарезка строк в фрейме данных в Python

sliced_rows_custom = df_custom.loc['A.B.D Villers':'S.Smith']
sliced_rows_custom

Вывод:

    Age    Weight    Salary
Name            
A.B.D Villers    38    74    3428000
V.Kohli    31    70    8428000
S.Smith    34    80    4428000

B. Выбор указанной ячейки в фрейме данных в Python

specific_cell_value = df_custom.loc['V.Kohli', 'Salary']
print("\nValue of the Specific Cell (V.Kohli, Salary):", specific_cell_value)

Заключение

Таким образом, и iloc[], и loc[] предоставляют в Pandas универсальные возможности нарезки. В то время как iloc[] работает с целыми числами, loc[] использует метки, что требует внимательного подхода при работе с пользовательскими индексами или смешанными типами данных.