Sintakse
df [ ( cond_1 ) & ( cond_2 ) ]Piemērs 01
Mēs veicam šos kodus lietotnē “Spyder” un izmantosim operatoru “UN” mūsu nosacījumos “pandas” šeit. Tā kā mēs darām pandu kodus, mums vispirms ir jāimportē “pandas kā pd”, un mēs iegūsim to metodi, savā kodā ievietojot tikai “pd”. Pēc tam mēs ģenerējam vārdnīcu ar nosaukumu 'Cond', un šeit ievietotie dati ir 'A1', 'A2' un 'A3' ir kolonnu nosaukumi, un mēs pievienojam '1, 2 un 3'. A1”, “A2” ir “2, 6 un 4”, un pēdējais “A3” satur “3, 4 un 5”.
Pēc tam mēs gatavojamies izveidot šīs vārdnīcas DataFrame, izmantojot šeit esošo “pd.DataFrame”. Tas atgriezīs iepriekš minēto vārdnīcas datu DataFrame. Mēs to arī atveidojam, šeit nodrošinot “druku ()”, un pēc tam mēs piemērojam dažus nosacījumus, kā arī šajā stāvoklī izmantojam operatoru “&”. Pirmais nosacījums šeit ir tāds, ka “A1 >= 1”, un tad mēs ievietojam operatoru “&” un ievietojam citu nosacījumu, kas ir “A2 < 5”. Kad mēs to izpildīsim, tas atgriezīs rezultātu, ja “A1 >=1” un arī “A2 < 5”. Ja šeit ir izpildīti abi nosacījumi, tas parādīs rezultātu, un, ja kāds no tiem šeit nav izpildīts, tas nerādīs nekādus datus.
Tas pārbauda gan DataFrame kolonnas “A1”, gan “A2” un pēc tam atgriež rezultātu. Rezultāts tiek parādīts ekrānā, jo mēs izmantojam paziņojumu “print ()”.
Rezultāts ir šeit. Tas parāda visus datus, ko esam ievietojuši DataFrame, un pēc tam pārbauda abus nosacījumus. Tas atgriež tās rindas, kurās “A1 >=1” un arī “A2 < 5”. Šajā izvadā mēs iegūstam divas rindas, jo abi nosacījumi ir izpildīti divās rindās.
Piemērs 02
Šajā piemērā mēs tieši izveidojam DataFrame pēc “pandas kā pd” importēšanas. Šeit tiek izveidots “Team” DataFrame, kurā dati satur četras kolonnas. Pirmā kolonna ir kolonna “komandas”, kurā mēs ievietojam “A, A, B, B, B, B, C, C”. Tad kolonna blakus “komandām” ir “rezultāts”, kurā ievietojam “25, 12, 15, 14, 19, 23, 25 un 29”. Pēc tam mūsu kolonna ir “Ārpus”, un mēs tajā arī pievienojam datus kā “5, 7, 7, 9, 12, 9, 9 un 4”. Mūsu pēdējā kolonna šeit ir sleja “atsitieni”, kurā ir arī daži skaitliski dati, kas ir “11, 8, 10, 6, 6, 5, 9 un 12”.
DataFrame ir pabeigts šeit, un tagad mums ir jādrukā šis DataFrame, tāpēc šim nolūkam mēs šeit ievietojam “druku ()”. Mēs vēlamies iegūt konkrētus datus no šī DataFrame, tāpēc mēs šeit iestatām dažus nosacījumus. Šeit ir divi nosacījumi, un mēs pievienojam operatoru “UN” starp šiem nosacījumiem, tāpēc tas atgriezīs tikai tos nosacījumus, kas atbilst abiem nosacījumiem. Pirmais nosacījums, ko šeit pievienojām, ir “rezultāts > 20”, pēc tam ievietojiet operatoru “&” un otru nosacījumu, kas ir “Out == 9”.
Tātad, tas filtrēs tos datus, kur komandas rezultāts ir mazāks par 20, un arī viņu outs ir 9. Tas filtrē tos un ignorē atlikušos, kas neatbilst abiem nosacījumiem vai nevienam no tiem. Mēs arī attēlojam tos datus, kas atbilst abiem nosacījumiem, tāpēc esam izmantojuši “drukāšanas ()” metodi.
Tikai divas rindas atbilst abiem nosacījumiem, kurus esam piemērojuši šim DataFrame. Tas filtrē tikai tās rindas, kurās rezultāts ir lielāks par 20, kā arī to izejas ir 9 un parāda tās šeit.
Piemērs 03
Iepriekš minētajos kodos mēs vienkārši ievietojam skaitliskos datus savā DataFrame. Tagad šajā kodā ievietojam dažus virknes datus. Pēc “pandas kā pd” importēšanas mēs sākam veidot “Member” DataFrame. Tajā ir četras unikālas kolonnas. Pirmās kolonnas nosaukums šeit ir “Vārds”, un mēs ievietojam dalībnieku vārdus, kas ir “Sabiedrotie, Bills, Čārlzs, Deivids, Ītens, Džordžs un Henrijs”. Nākamās kolonnas nosaukums šeit ir “Atrašanās vieta”, un tajā ir “Amerika”. Kanāda, Eiropa, Kanāda, Vācija, Dubaija un Kanāda”. Slejā “Kods” ir “W, W, W, E, E, E un E”. Šeit mēs pievienojam arī dalībnieku “punktus” kā “11, 6, 10, 8, 6, 5 un 12”. Mēs atveidojam datu rāmi “Biedrs”, izmantojot “print ()” metodi. Mēs esam norādījuši dažus nosacījumus šajā DataFrame.
Šeit mums ir divi nosacījumi, un, pievienojot starp tiem operatoru “UN”, tiks atgriezti tikai nosacījumi, kas atbilst abiem nosacījumiem. Šeit pirmais nosacījums, ko esam ieviesuši, ir “Atrašanās vieta == Kanāda”, kam seko operators “&”, bet otrais nosacījums – “punkti <= 9”. Tas iegūst datus no DataFrame, kurā ir izpildīti abi nosacījumi, un pēc tam esam ievietojuši “print ()”, kas parāda tos datus, kuros abi nosacījumi ir patiesi.
Zemāk varat pamanīt, ka no DataFrame ir izvilktas un parādītas divas rindas. Abās rindās atrašanās vieta ir “Kanāda”, un punkti ir mazāki par 9.
04. piemērs
Mēs importējam gan “pandas”, gan “numpy” šeit attiecīgi kā “pd” un “np”. Mēs iegūstam “pandas” metodes, ievietojot “pd” un “numpy” metodes, ievietojot “np”, kur nepieciešams. Tad mūsu šeit izveidotajā vārdnīcā ir trīs kolonnas. Slejā “Vārds”, kurā ievietojam “Sabiedrotie, Džordžs, Nimi, Samuels un Viljams”. Tālāk mums ir kolonna “Obt_Marks”, kurā ir iegūtās studentu atzīmes, un šīs atzīmes ir “4, 47, 55, 74 un 31”.
Šeit mēs arī izveidojam kolonnu “Prac_Marks”, kurā ir studenta praktiskās atzīmes. Šeit pievienotās atzīmes ir “5, 67, 54, 56 un 12”. Mēs izveidojam šīs vārdnīcas DataFrame un pēc tam to izdrukājam. Šeit mēs izmantojam “np.Logical_and”, kas atgriezīs rezultātu formā “True” vai “False”. Mēs arī saglabājam rezultātu pēc abu nosacījumu pārbaudes jaunā kolonnā, kuru esam izveidojuši šeit ar nosaukumu “Pass_Status”.
Tas pārbauda, vai “Obt_Marks” ir lielāks par “40” un “Prac_Marks” ir lielāks par “40”. Ja abi ir patiesi, tad jaunajā kolonnā tas tiks atveidots patiess; pretējā gadījumā tas padara nepatiesu.
Jaunā kolonna ir pievienota ar nosaukumu “Pass_Status”, un šajā kolonnā ir tikai “True” un “False”. Tas ir patiess, ja iegūtās atzīmes un arī praktiskās atzīmes ir lielākas par 40 un false pārējām rindām.
Secinājums
Šīs apmācības galvenais mērķis ir izskaidrot jēdzienu “un stāvoklis” valodā “pandas”. Mēs esam runājuši par to, kā iegūt tās rindas, kurās ir izpildīti abi nosacījumi, vai arī mēs iegūstam patiesu tiem, kur visi nosacījumi ir izpildīti, un nepatiesi pārējiem. Šeit mēs esam izpētījuši četrus piemērus. Visi četri piemēri, ko esam izveidojuši šajā apmācībā, ir izgājuši cauri šim procesam. Visi šīs apmācības piemēri ir pārdomāti sniegti jūsu labā. Šai apmācībai vajadzētu palīdzēt jums skaidrāk izprast šo ideju.