Vizualizácia údajov je technika používaná na poskytovanie prehľadov o údajoch pomocou vizuálnych podnetov, ako sú grafy, grafy, mapy a mnoho ďalších. Je to užitočné, pretože pomáha intuitívnemu a ľahkému porozumeniu veľkého množstva údajov a tým aj lepšie rozhodnutia o nich. Keď použijeme tlač veľkého počtu množiny údajov, skráti sa. V tomto článku sa pozrieme na to, ako vytlačiť celé Dátový rámec Pandas alebo Séria bez skrátenia.
Vytlačte celý Pandas DataFrame v Pythone
V predvolenom nastavení sa nevytlačí celý dátový rámec, ak dĺžka presiahne predvolenú dĺžku, výstup sa skráti, ako je znázornené nižšie:
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> # Loading irirs dataset> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> display(df)> |
>
>
Výkon:
Existujú 4 spôsoby tlače celého dátového rámca pandy:
- Použite metódu to_string().
- Použite metódu pd.option_context().
- Použite metódu pd.set_options().
- Použite metódu pd.to_markdown().
Metóda 1: Použitie to_string()
Aj keď je táto metóda najjednoduchšia zo všetkých, nie je vhodná pre veľmi veľké množiny údajov (rádovo milióny), pretože konvertuje celý dátový rámec na objekt typu reťazec, ale funguje veľmi dobre pre dátové rámce s veľkosťou rádovo tisícov.
Syntax: DataFrame.to_string(buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, index_names=True, justify=None, max_rows=None, max_cols=None, show_dimensions=False, decimal='.', line_width=None)
Príklad: V tomto príklade používameload_iris>funkcia zo scikit-learn načítať súbor údajov Iris a potom vytvorí pandas DataFrame (df>), ktorý obsahuje funkcie množiny údajov, a nakoniec skonvertuje celý DataFrame na reťazcovú reprezentáciu pomocou to_string()> a zobrazí ho.
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # Convert the whole dataframe as a string and display> display(df.to_string())> |
xampp alternatíva
>
>
jfx java tutoriál
Výkon:
Metóda 2: Použitie pd.option_context()
Pandy umožňujú zmenu nastavení prostredníctvom option_context() metóda a set_option() metódy. Obidve metódy sú totožné s jedným rozdielom, že neskôr sa nastavenia menia natrvalo a prvé to robia iba v rámci kontextového manažéra.
Syntax: pandas.option_context(*args)
Príklad: V tomto príklade používame množinu údajov Iris zo scikit-learn, vytvárame pandas DataFrame (df>) so špecifikovanými možnosťami formátovania a vytlačí DataFrame v dočasnom kontexte, kde sú nastavenia zobrazenia, ako je maximálny počet riadkov, stĺpcov a presnosť, upravené len pre lokálny rozsah.
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # The scope of these changes made to> # pandas settings are local to with statement.> with pd.option_context(>'display.max_rows'>,>None>,> >'display.max_columns'>,>None>,> >'display.precision'>,>3>,> >):> >print>(df)> |
>
>
Výkon:
Metóda 3: Použitie pd.set_option()
Táto metóda je podobná metóde pd.option_context() a berie rovnaké parametre ako pri metóde 2, ale na rozdiel od pd.option_context() jej rozsah a vplyv je na celý skript, t. j. všetky nastavenia dátových rámcov sa zmenia natrvalo
Ak chcete explicitne resetovať hodnotu, použite pd.reset_option(‘všetko’) na vrátenie zmien sa musí použiť metóda.
Syntax: pandas.set_option(pat, hodnota)
Príklad: Tento kód upravuje globálne možnosti zobrazenia pandy tak, aby zobrazoval všetky riadky a stĺpce s neobmedzenou šírkou a presnosťou pre daný DataFrame (df>). Potom obnoví nastavenia na ich predvolené hodnoty a znova zobrazí DataFrame, čo ilustruje obnovenie predvolených nastavení.
Python3
štandardná odchýlka pandy
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # Permanently changes the pandas settings> pd.set_option(>'display.max_rows'>,>None>)> pd.set_option(>'display.max_columns'>,>None>)> pd.set_option(>'display.width'>,>None>)> pd.set_option(>'display.max_colwidth'>,>->1>)> # All dataframes hereafter reflect these changes.> display(df)> print>(>'**RESET_OPTIONS**'>)> # Resets the options> pd.reset_option(>'all'>)> display(df)> |
>
>
Výkon:
Metóda 4: Použitie to_markdown()
Táto metóda je podobná metóde to_string(), pretože tiež konvertuje dátový rámec na objekt typu reťazec a tiež k nemu pridáva štýl a formátovanie.
Syntax: DataFrame.to_markdown(buf=None, mode=’wt’, index=True,, **kwargs)
Príklad: Tento kód používa súbor údajov Iris zo scikit-learn na vytvorenie dátového rámca pandas (df>) a potom vytlačí formátovanú reprezentáciu Markdown DataFrame pomocou to_markdown()>metóda .
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=>data.feature_names)> # Converts the dataframe into str object with formatting> print>(df.to_markdown())> |
>
>
Výkon: