Datu vizualizācija ir metode, ko izmanto, lai sniegtu ieskatu datos, izmantojot vizuālas norādes, piemēram, grafikus, diagrammas, kartes un daudzas citas. Tas ir noderīgi, jo palīdz intuitīvi un viegli izprast lielo datu daudzumu un tādējādi pieņemt labākus lēmumus par tiem. Ja mēs izmantojam lielu datu kopas skaitu, tā tiek saīsināta. Šajā rakstā mēs redzēsim, kā izdrukāt visu Pandas datu rāmis vai sērija bez saīsināšanas.
Drukājiet visu Pandas DataFrame programmā Python
Pēc noklusējuma pilns datu rāmis netiek drukāts, ja garums pārsniedz noklusējuma garumu, izvade tiek saīsināta, kā parādīts tālāk:
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)> |
>
>
Izvade:
Tur ir 4 metodes visa pandas datu rāmja drukāšanai:
- Izmantojiet to_string() metodi
- Izmantojiet pd.option_context() metodi
- Izmantojiet pd.set_options() metodi
- Izmantojiet pd.to_markdown() metodi
1. metode: izmantojiet to_string()
Lai gan šī metode ir visvienkāršākā, tā nav ieteicama ļoti lielām datu kopām (miljonos), jo tā pārvērš visu datu rāmi par virknes objektu, bet ļoti labi darbojas datu rāmjiem, kuru lielums ir tūkstošos.
Sintakse: DataFrame.to_string(buf=Nav, columns=Neviens, col_space=Neviens, header=True, index=True, na_rep='NaN', formatters=Neviens, float_format=Nav, index_names=True, justify=Nav, max_rows=Nav, max_cols=Nav, show_dimensions=False, decimal='.', line_width=Nav)
Piemērs: Šajā piemērā mēs izmantojamload_iris>funkcija no scikit-learn, lai ielādētu Iris datu kopu, pēc tam izveido pandas DataFrame (df>), kas satur datu kopas līdzekļus, un, visbeidzot, pārvērš visu DataFrame par virknes attēlojumu, izmantojot to_string()> un parāda to.
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())> |
java int kā virkne
>
>
Izvade:
2. metode: pd.option_context() izmantošana
Pandas ļauj mainīt iestatījumus, izmantojot option_context() metode un set_option() metodes. Abas metodes ir identiskas ar vienu atšķirību, ka vēlāk viena maina iestatījumus neatgriezeniski, bet pirmā to dara tikai konteksta pārvaldnieka darbības jomā.
Sintakse : pandas.option_context(*args)
Piemērs: Šajā piemērā mēs izmantojam Iris datu kopu no scikit-learn, izveido pandas DataFrame (df>) ar noteiktām formatēšanas opcijām un izdrukā DataFrame pagaidu kontekstā, kurā displeja iestatījumi, piemēram, maksimālās rindas, kolonnas un precizitāte, tiek mainīti tikai lokālajam tvērumam.
Python3
img css līdzināšana
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)> |
>
>
Izvade:
3. metode: pd.set_option() izmantošana
Šī metode ir līdzīga metodei pd.option_context() un izmanto tos pašus parametrus, kas aprakstīti 2. metodei, taču atšķirībā no pd.option_context() tvērums un ietekme attiecas uz visu skriptu, t.i., visi datu rāmju iestatījumi tiek neatgriezeniski mainīti
Lai skaidri atiestatītu vērtību, izmantojiet pd.reset_option('visi') metode ir jāizmanto, lai atsauktu izmaiņas.
Sintakse : pandas.set_option(pat, value)
Piemērs: Šis kods modificē globālās pandas displeja opcijas, lai parādītu visas rindas un kolonnas ar neierobežotu platumu un precizitāti dotajam DataFrame (df>). Pēc tam tas atiestata opcijas uz to noklusējuma vērtībām un vēlreiz parāda DataFrame, kas ilustrē noklusējuma iestatījumu atjaunošanu.
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)> # 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)> |
>
>
Izvade:
4. metode: izmantojiet to_markdown()
Šī metode ir līdzīga metodei to_string(), jo tā arī pārvērš datu rāmi par virknes objektu, kā arī pievieno tam stilu un formatējumu.
virknes formāts
Sintakse : DataFrame.to_markdown(buf=nav, mode='wt', index=true,, **kwargs)
Piemērs: Šis kods izmanto Iris datu kopu no scikit-learn, lai izveidotu pandas DataFrame (df>), un pēc tam tas izdrukā DataFrame formatētu Markdown attēlojumu, izmantojot to_markdown()>metodi .
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())> |
>
>
Izvade: