«Pandas» — это библиотека программного обеспечения, написанная на языке Python для выполнения анализа и обработки данных. Чтобы выполнить данные каким-либо образом, нам нужно, чтобы данные были упорядочены. Чтобы дальнейший процесс шел красиво и без препятствий. Мы используем функцию стека pandas, чтобы сложить данные в аккуратном порядке. Стек pandas используется для укладки данных из последовательности столбцов в индексный способ. Он возвращает несколько уровней отображения индекса в новом фрейме данных. Мы реализуем все, как мы можем использовать функцию pandas stack(). Для реализации кода мы будем использовать программное обеспечение «spyder», бесплатное программное обеспечение с открытым исходным кодом, написанное на языке python«.
Синтаксис
“df.stack(level = —1, dropna=True)”
Приведенный выше синтаксис относится к стеку pandas(). «df» в синтаксисе — это сокращение от «dataframe». «ДФ. stack» работает в pandas, который преобразует указанный столбец в уровень строки. Уровень и дропна — это параметры, которые будут объяснены ниже.
Параметр
Есть два параметра, которые мы будем использовать позже в синтаксисе для примера реализации методов стека pandas:
Level
Этот параметр работает как целочисленное имя или индекс уровня столбца, чтобы перейти на уровень строки. Как мы видим в приведенном выше синтаксисе, есть «level = −1», который по умолчанию установлен на «-1». Этот параметр по умолчанию означает, что уровень внутреннего столбца должен быть преобразован.
Dropna
Этот другой параметр, «dropna», используется для удаления строк в результирующем кадре данных с отсутствующими значениями. По умолчанию «параметр dropna» равен «true».
Мы обсудим все следующие методы, в которых можно использовать стек pandas:
- Кадр данных стека Pandas со столбцами (одноуровневый).
- Кадр данных стека Pandas со столбцами (многоуровневый).
- Фрейм данных стека Pandas с использованием столбцов (multi-Level = 0).
- Стек Pandas обрабатывает отсутствующее значение в кадре данных.
- Стек Pandas обрабатывает отсутствующее значение в кадре данных, используя (dropna = false).
- Создание кадра данных для реализации метода Pandas Stack с одним столбцом
- Пример: кадр данных стека Pandas со столбцами (один уровень)
- Создание кадра данных с несколькими столбцами для реализации стека Pandas на нескольких уровнях
- Пример 1: кадр данных стека Pandas со столбцами (многоуровневый)
- Пример 2: Фрейм данных стека Pandas с использованием столбца (многоуровневый = 0)
- Пример 3: стек Pandas обрабатывает отсутствующее значение в кадре данных
- Пример 4: стек Pandas обрабатывает отсутствующее значение в кадре данных с помощью (Dropna = False)
- Заключение
Создание кадра данных для реализации метода Pandas Stack с одним столбцом
Во-первых, откройте инструмент «spyder». Теперь мы создадим фрейм данных для применения стека pandas с одним столбцом(). Импортируйте библиотеку pandas как «pd». Кадр данных состоит из роста и веса людей. Есть индекс, который имеет названия «тина», «Алина» и «Селена». Затем идут столбцы с состояниями веса и высоты.
Вывод показывает кадр данных как по коду:
Пример: кадр данных стека Pandas со столбцами (один уровень)
На этой иллюстрации мы выполним одноуровневый стек pandas «df» со столбцами. Мы создали фрейм данных выше, поэтому мы знаем, как сформировать фрейм данных. Теперь «df» здесь состоит из имен «Watson», «tom» и «sam», и у нас есть их рост и вес как [88, 4], [55, 8] и [99, 9]. дф. stack будет вызывать фреймворк данных, создавая столбцы в строках.
В выходных данных отображаются результаты преобразования столбцов в строки с использованием метода стека pandas для отдельных столбцов.
Создание кадра данных с несколькими столбцами для реализации стека Pandas на нескольких уровнях
Здесь мы создадим еще один фрейм данных, который будет иметь несколько столбцов. Фрейм данных состоит из «веса» в «кг» и «фунтах», потому что это многоуровневое создание «df». В указателе есть имена лиц «Алайна», «дом» и «гарри». «Мульти» с «df» для многоуровневого.
Дисплеи показывают создание фрейма данных многоуровневого фрейма данных, показывая вес в кг и фунтах:
Пример 1: кадр данных стека Pandas со столбцами (многоуровневый)
Ранее мы создали многоуровневый фрейм данных столбца, необходимый для применения стека pandas на многоуровневом уровне. Фрейм данных такой же, как созданный выше. Мы можем реализовать многоуровневость, используя df, вызывающий метод «multi1_stack». По умолчанию уровень здесь «-1», что означает, что самый внутренний уровень вызывается стеком в фрейме данных, который преобразует «кг» и «фунты» в строки.
Вывод выполняется как успешное преобразование многоуровневого столбца в строки с использованием многоуровневого стека pandas.
Пример 2: Фрейм данных стека Pandas с использованием столбца (многоуровневый = 0)
В следующем примере мы реализуем многоуровневый стек pandas на уровне «level = 0». Мы узнаем, какая разница это будет иметь значение и когда его использовать. Объяснение, следующее за примером, заключается в том, что самый внешний уровень — это «вес», называемый уровнем «0». В приведенном выше примере мы видели, что «кг» и «рост» называются уровнем «1». Если бы после них были какие-то другие уровни, то они соответственно назывались бы уровнем 2. Использование уровня «0» заключается в том, что он преобразует самый внешний уровень (вес) в строки.
На выходе отображается четкое изображение; теперь лучше понять, что уровень «0» делает с фреймом данных, используя параметр «уровень» с несколькими столбцами стека pandas.
Пример 3: стек Pandas обрабатывает отсутствующее значение в кадре данных
Теперь мы сделаем пример обработки отсутствующих чисел в «df» с помощью стека pandas(). У нас есть созданный многоуровневый фрейм данных столбца. Фрейм данных состоит из индекса в виде имен «Хейли», «Джон» и «Лина» с их весом в кг и ростом в футах. В многоуровневом стеке параметр dropna по умолчанию имеет значение «истина», как описано в параметре раздел выше. Таким образом, будут удалены строки, которые не содержат значения или записаны как «NaN». «NaN» означает «не число».
Вывод отображает рост и вес Джона и Лины. Но вес Хейли отсутствует, потому что отсутствует ряд кг. Мы исправим это на следующей иллюстрации.
Пример 4: стек Pandas обрабатывает отсутствующее значение в кадре данных с помощью (Dropna = False)
Чтобы удалить те строки, которые содержат пропущенные значения, мы должны установить для параметра dropna значение «false». Фрейм данных такой же, как и в последнем примере, позволяя нам узнать разницу, которую мы создаем, передавая «false» параметру.
Здесь в выводе мы видим, что показан вес Хейли в кг, так как ему не присвоено значение. Он отображается как «NaN».
Заключение
«Стек» Pandas — это экстравагантная техника для укладки столбцов уровня в строки (индекс). В областях, где работникам необходимо работать со строками, а не со столбцами, или они могут захотеть иметь данные в виде строк, но они сделали это в столбцах, этот метод для них. Это сэкономит их драгоценное время, просто используя метод стека панд. Мы использовали различные способы работы стека панд в зависимости от ситуации. В каждой ситуации есть свой способ решения проблемы, чтобы получить желаемые результаты в кадре данных. Мы сделали одиночные и множественные столбцы с передачей разных параметров, а также для отсутствующих значений.