Атрибут значений Pandas DataFrame возвращает Numpy-представление данного DataFrame. Но вместо этого рекомендуется использовать DataFrame.to_numpy(). Свойство значений DataFrame возвращает значения только в DataFrame, а метки осей будут удалены.
Pandas DataFrame values в Python
Чтобы найти значения в DataFrame, используйте свойство Pandas df values. Свойство значений DataFrame возвращает Numpy-представление данного DataFrame.
Pandas DataFrame — это двумерная потенциально гетерогенная табличная структура данных с изменяемым размером, с помеченными осями(строки и столбцы). Арифметические операции выравниваются по меткам строк и столбцов. Его можно рассматривать как диктоподобный контейнер для объектов Series. Это основная структура данных Pandas.
Синтаксис
|
1 |
DataFrame.values |
Возвращаемое значение
Свойство values возвращает массив для представления Numpy-представления DataFrame.
Примеры программы на pandas.DataFrame.values
- Пример 1. Напишите программу, показывающую работу pandas.DataFrame.values.
|
1 2 3 4 5 6 7 8 |
import pandas as pd df = pd.DataFrame({'Name': ['Rohit', 'Ankit', 'Shivam', 'Shubh', 'Pranav'], 'Roll no.': [2, 4, 5, 7, 8], 'Marks': [75, 54, 87, 93, 74]}) print(df, "\n") finaldata = df.values print(finaldata) |
Вывод:
|
1 2 3 4 5 6 7 8 9 10 11 12 |
Name Roll no. Marks 0 Rohit 2 75 1 Ankit 4 54 2 Shivam 5 87 3 Shubh 7 93 4 Pranav 8 74 [['Rohit' 2 75] ['Ankit' 4 54] ['Shivam' 5 87] ['Shubh' 7 93] ['Pranav' 8 74]] |
Здесь мы видим, что создали DataFrame, состоящий из сведений об ученике.
В следующей строке мы видим, что мы напечатали представление Numpy этого DataFrame.
- Пример 2. Напишите программу, которая возвращает числовое представление нескольких фреймов данных, и один из фреймов данных должен содержать значения символьного типа данных.
См. следующий код.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
import pandas as pd df1 = pd.DataFrame({'Name': ['Rohit', 'Ankit', 'Shivam', 'Shubh', 'Pranav'], 'Weight.': [60, 57, 43, 64, 24], 'City': ['Patna', 'Kolkata', 'Delhi', 'Mumbai', 'Jalandhar']}) print(df1, "\n") finaldata = df1.values print(finaldata) df2 = pd.DataFrame({'Name': ['Rohit', 'Ankit', 'Shivam', 'Alisha', 'Anisha'], 'Age': [22, 14, 15, 17, 18], 'Gender': ['M', 'M', 'M', 'F', 'F']}) print("\n", df2) finaldata2 = df2.values print("\n", finaldata2) |
Вывод:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
Name Weight. City 0 Rohit 60 Patna 1 Ankit 57 Kolkata 2 Shivam 43 Delhi 3 Shubh 64 Mumbai 4 Pranav 24 Jalandhar [['Rohit' 60 'Patna'] ['Ankit' 57 'Kolkata'] ['Shivam' 43 'Delhi'] ['Shubh' 64 'Mumbai'] ['Pranav' 24 'Jalandhar']] Name Age Gender 0 Rohit 22 M 1 Ankit 14 M 2 Shivam 15 M 3 Alisha 17 F 4 Anisha 18 F [['Rohit' 22 'M'] ['Ankit' 14 'M'] ['Shivam' 15 'M'] ['Alisha' 17 'F'] ['Anisha' 18 'F']] |
В приведенном выше примере мы видим, что мы создали один DataFrame и сохранили его значения(представление Numpy) в окончательных данных. После этого мы напечатали полученный DataFrame. Затем создали еще один DataFrame, состоящий из символьных значений, и напечатали этот DataFrame, а также представление numpy.
