Syntaks
df [ ( betingelse_1 ) & ( cond_2 ) ]Eksempel 01
Vi laver disse koder på 'Spyder'-appen og vil bruge 'AND'-operatøren i vores betingelser i 'pandas' her. Som vi laver pandas-koderne, så skal vi først importere 'pandas som pd' og vil få dens metode ved blot at sætte 'pd' i vores kode. Derefter genererer vi en ordbog med navnet 'Cond', og de data, vi indsætter her, er 'A1', 'A2' og 'A3' er kolonnenavnene, og vi tilføjer '1, 2 og 3' i ' A1', i 'A2' er der '2, 6 og 4', og den sidste 'A3' indeholder '3, 4 og 5'.
Så går vi for at lave DataFrame af denne ordbog ved at bruge 'pd.DataFrame' her. Dette vil returnere DataFrame for ovenstående ordbogsdata. Vi gengiver det også ved at angive 'print ()' her, og efter dette anvender vi nogle betingelser og bruger også '&'-operatoren i denne tilstand. Den første betingelse her er, at 'A1 >= 1', og så sætter vi '&'-operatoren og placerer en anden betingelse, som er 'A2 < 5'. Når vi udfører dette, vil det returnere resultatet, hvis 'A1 >=1' og også 'A2 < 5'. Hvis begge betingelser er opfyldt her, vil den vise resultatet, og hvis en af dem ikke er opfyldt her, vil den ikke vise nogen data.
Den kontrollerer både 'A1' og 'A2' kolonnerne i DataFrame og returnerer derefter resultatet. Resultatet vises på skærmen, fordi vi bruger 'print ()'-sætningen.
Resultatet er her. Den viser alle de data, som vi har indsat i DataFrame og kontrollerer derefter begge betingelser. Det returnerer de rækker, hvor 'A1 >=1' og også 'A2 < 5'. Vi får to rækker i dette output, fordi begge betingelser er opfyldt i to rækker.
Eksempel 02
I dette eksempel opretter vi DataFrame direkte efter import af 'pandas som pd'. 'Team' DataFrame oprettes her, hvor dataene indeholder fire kolonner. Den første kolonne er kolonnen 'hold' her, hvor vi sætter 'A, A, B, B, B, B, C, C'. Så er kolonnen ved siden af 'holdene' 'score', hvori vi indsætter '25, 12, 15, 14, 19, 23, 25 og 29'. Efter dette er den kolonne, vi har, 'Ud', og vi tilføjer også data i den som '5, 7, 7, 9, 12, 9, 9 og 4'. Vores sidste kolonne her er kolonnen 'rebounds', som også indeholder nogle numeriske data, som er '11, 8, 10, 6, 6, 5, 9 og 12'.
DataFrame er færdig her, og nu skal vi udskrive denne DataFrame, så til dette placerer vi 'print ()' her. Vi ønsker at få nogle specifikke data fra denne DataFrame, så vi stiller nogle betingelser her. Vi har to betingelser her, og vi tilføjer 'AND'-operatoren mellem disse betingelser, så den returnerer kun de betingelser, der opfylder begge betingelser. Den første betingelse, vi har tilføjet her, er 'score > 20' og placer derefter '&'-operator og den anden betingelse, som er 'Out == 9'.
Så det vil filtrere de data, hvor holdets score er mindre end 20 og også deres outs er 9. Det filtrerer dem og ignorerer de resterende, som ikke vil opfylde begge betingelser eller nogen af dem. Vi viser også de data, der opfylder begge betingelser, så vi har brugt 'print ()'-metoden.
Kun to rækker opfylder begge betingelser, som vi har anvendt på denne DataFrame. Det filtrerer kun de rækker, hvor scoren er større end 20, og også deres outs er 9 og viser dem her.
Eksempel 03
I vores ovenstående koder indsætter vi blot de numeriske data i vores DataFrame. Nu sætter vi nogle strengdata i denne kode. Efter at have importeret 'pandaerne som pd', flytter vi til at bygge en 'Medlem' DataFrame. Den indeholder fire unikke kolonner. Navnet på den første kolonne her er 'Navn', og vi indsætter navnene på medlemmerne, som er 'Allierede, Bills, Charles, David, Ethen, George og Henry'. Den næste kolonne hedder 'Location' her, og den har 'America. Canada, Europa, Canada, Tyskland, Dubai og Canada” i den. Kolonnen 'Kode' indeholder 'W, W, W, E, E, E og E'. Vi tilføjer også medlemmernes 'point' her som '11, 6, 10, 8, 6, 5 og 12'. Vi gengiver 'Medlem' DataFrame ved brug af 'print ()' metoden. Vi har specificeret nogle betingelser i denne DataFrame.
Her har vi to betingelser, og ved at tilføje 'AND' operatoren mellem dem, vil den kun returnere betingelser, der opfylder begge betingelser. Her er den første betingelse, som vi har introduceret, 'Placering == Canada,' efterfulgt af '&'-operatoren, og den anden betingelse, 'punkter <= 9'. Den henter disse data fra DataFrame, hvor begge betingelser er opfyldt, og så har vi placeret 'print ()', som viser de data, hvor begge betingelser er sande.
Nedenfor kan du bemærke, at to rækker er udtrukket fra DataFrame og vist. I begge rækker er placeringen 'Canada', og pointene er mindre end 9.
Eksempel 04
Vi importerer både 'pandas' og 'numpy' her som henholdsvis 'pd' og 'np'. Vi får 'pandas'-metoderne ved at placere 'pd' og 'numpy'-metoderne ved at placere 'np' hvor det er nødvendigt. Så indeholder den ordbog, vi har lavet her, tre spalter. I kolonnen 'Navn', hvor vi indsætter 'allierede, George, Nimi, Samuel og William'. Dernæst har vi kolonnen 'Obt_Marks', som indeholder de opnåede karakterer fra eleverne, og disse karakterer er '4, 47, 55, 74 og 31'.
Vi opretter også en kolonne til 'Prac_Marks' her, som har den studerendes praktiske karakterer. De mærker, vi tilføjer her, er '5, 67, 54, 56 og 12'. Vi laver denne ordbogs DataFrame og udskriver den derefter. Vi anvender 'np.Logical_and' her, som vil returnere resultatet i 'True' eller 'False' form. Vi gemmer også resultatet efter at have tjekket begge betingelser i en ny kolonne, som vi har lavet her med navnet 'Pass_Status'.
Den kontrollerer, at 'Obt_Marks' er større end '40' og 'Prac_Marks' er større end '40'. Hvis begge er sande, bliver det sandt i den nye kolonne; ellers bliver det falsk.
Den nye kolonne tilføjes med navnet 'Pass_Status', og denne kolonne består kun af 'True' og 'False'. Det bliver sandt, hvor de opnåede karakterer og også de praktiske karakterer er større end 40 og falske for de resterende rækker.
Konklusion
Denne tutorials hovedmål er at forklare begrebet 'og tilstand' i 'pandaer'. Vi har talt om, hvordan man erhverver de rækker, hvor begge betingelser er opfyldt, eller vi får også sandhed for dem, hvor alle betingelser er opfyldt og falske for de resterende. Vi har udforsket fire eksempler her. Alle fire eksempler, som vi har etableret i denne tutorial, har gennemgået denne proces. Eksemplerne i denne tutorial er alle blevet omhyggeligt præsenteret til din fordel. Denne tutorial burde hjælpe dig med at forstå denne idé mere klart.