Syntaks
df [ ( tilstand_1 ) & ( cond_2 ) ]Eksempel 01
Vi gjør disse kodene på «Spyder»-appen og vil bruke «AND»-operatøren i våre betingelser i «pandas» her. Når vi gjør pandakodene, må vi først importere 'pandaene som pd' og vil få metoden ved å bare sette 'pd' i koden vår. Deretter genererer vi en ordbok med navnet 'Cond', og dataene vi setter inn her er 'A1', 'A2' og 'A3' er kolonnenavnene, og vi legger til '1, 2 og 3' i ' A1', i 'A2' er det '2, 6 og 4' og den siste 'A3' inneholder '3, 4 og 5'.
Deretter går vi for å lage DataFrame til denne ordboken ved å bruke 'pd.DataFrame' her. Dette vil returnere DataFrame for ordbokdataene ovenfor. Vi gjengir det også ved å oppgi 'print ()' her, og etter dette bruker vi noen betingelser og bruker også '&'-operatoren i denne tilstanden. Den første betingelsen her er at 'A1 >= 1', og så setter vi '&'-operatoren og plasserer en annen betingelse som er 'A2 < 5'. Når vi utfører dette, vil det returnere resultatet hvis 'A1 >=1' og også 'A2 < 5'. Hvis begge betingelsene er oppfylt her, vil den vise resultatet, og hvis en av dem ikke er oppfylt her, vil den ikke vise noen data.
Den sjekker både 'A1' og 'A2' kolonner i DataFrame og returnerer deretter resultatet. Resultatet vises på skjermen fordi vi bruker 'print ()'-setningen.
Resultatet er her. Den viser alle dataene som vi har satt inn i DataFrame og sjekker deretter begge forholdene. Den returnerer de radene der 'A1 >=1' og også 'A2 < 5'. Vi får to rader i denne utgangen fordi begge betingelsene er oppfylt i to rader.
Eksempel 02
I dette eksemplet oppretter vi DataFrame direkte etter å ha importert 'pandaene som pd'. 'Team' DataFrame opprettes her, med dataene som inneholder fire kolonner. Den første kolonnen er 'lag'-kolonnen her der vi legger inn 'A, A, B, B, B, B, C, C'. Deretter er kolonnen ved siden av 'lagene' 'poengsum', der vi setter inn '25, 12, 15, 14, 19, 23, 25 og 29'. Etter dette er kolonnen vi har 'Ut', og vi legger også til data i den som '5, 7, 7, 9, 12, 9, 9 og 4'. Vår siste kolonne her er 'rebounds'-kolonnen som også inneholder noen numeriske data, som er '11, 8, 10, 6, 6, 5, 9 og 12'.
DataFrame er fullført her, og nå må vi skrive ut denne DataFrame, så for dette plasserer vi 'print ()' her. Vi ønsker å få noen spesifikke data fra denne DataFrame, så vi setter noen betingelser her. Vi har to betingelser her, og vi legger til 'AND'-operatoren mellom disse betingelsene, så den returnerer bare de betingelsene som vil tilfredsstille begge betingelsene. Den første betingelsen vi har lagt til her er 'score > 20' og deretter plassere '&' operator og den andre betingelsen som er 'Ut == 9'.
Så, den vil filtrere de dataene der poengsummen til laget er mindre enn 20 og også deres outs er 9. Den filtrerer disse og ignorerer de gjenværende, som ikke vil tilfredsstille begge betingelsene eller noen av dem. Vi viser også de dataene som tilfredsstiller begge betingelsene, så vi har brukt 'print ()'-metoden.
Bare to rader tilfredsstiller begge betingelsene, som vi har brukt på denne DataFrame. Den filtrerer bare de radene der poengsummen er høyere enn 20, og deres outs er 9 og viser dem her.
Eksempel 03
I kodene ovenfor setter vi bare inn de numeriske dataene i vår DataFrame. Nå legger vi inn noen strengdata i denne koden. Etter å ha importert 'pandaene som pd', flytter vi til å bygge en 'Medlem' DataFrame. Den inneholder fire unike kolonner. Navnet på den første kolonnen her er 'Navn', og vi setter inn navnene på medlemmene, som er 'Allierte, Bills, Charles, David, Ethen, George og Henry'. Den neste kolonnen heter 'Location' her, og den har 'America. Canada, Europa, Canada, Tyskland, Dubai og Canada» i den. Kolonnen 'Kode' inneholder 'W, W, W, E, E, E og E'. Vi legger også til 'poengene' til medlemmene her som '11, 6, 10, 8, 6, 5 og 12'. Vi gjengir 'Member' DataFrame med bruk av 'print ()'-metoden. Vi har spesifisert noen betingelser i denne DataFrame.
Her har vi to betingelser, og ved å legge til 'AND'-operatoren mellom dem vil den kun returnere betingelser som tilfredsstiller begge betingelsene. Her er den første betingelsen vi har introdusert 'Plassering == Canada,' etterfulgt av '&'-operatoren, og den andre betingelsen, 'peker <= 9'. Den henter disse dataene fra DataFrame der begge betingelsene er oppfylt, og så har vi plassert 'print ()' som viser dataene der begge betingelsene er sanne.
Nedenfor kan du legge merke til at to rader trekkes ut fra DataFrame og vises. I begge rader er plasseringen 'Canada', og poengene er mindre enn 9.
Eksempel 04
Vi importerer både 'pandaene' og 'numpy' her som henholdsvis 'pd' og 'np'. Vi får 'pandas'-metodene ved å plassere 'pd' og 'numpy'-metodene ved å plassere 'np' der det er nødvendig. Da inneholder ordboken vi har laget her tre kolonner. I kolonnen 'Navn' der vi setter inn 'Allierte, George, Nimi, Samuel og William'. Deretter har vi «Obt_Marks»-kolonnen, som inneholder de oppnådde karakterene til studentene, og disse merkene er «4, 47, 55, 74 og 31».
Vi lager også en kolonne for «Prac_Marks» her som har de praktiske karakterene til studenten. Merkene vi legger til her er '5, 67, 54, 56 og 12'. Vi lager DataFrame til denne ordboken og skriver den ut. Vi bruker 'np.Logical_and' her, som vil returnere resultatet i 'True' eller 'False' form. Vi lagrer også resultatet etter å ha sjekket begge betingelsene i en ny kolonne, som vi har laget her med navnet «Pass_Status».
Den sjekker at 'Obt_Marks' er større enn '40' og 'Prac_Marks' er større enn '40'. Hvis begge er sanne, vil den gjengi sann i den nye kolonnen; ellers blir den falsk.
Den nye kolonnen er lagt til med navnet 'Pass_Status', og denne kolonnen består kun av 'True' og 'False'. Den gjengir sann når de oppnådde karakterene og også de praktiske karakterene er større enn 40 og usann for de resterende radene.
Konklusjon
Denne opplæringens hovedmål er å forklare konseptet 'og tilstand' i 'pandaer'. Vi har snakket om hvordan du kan anskaffe de radene der begge betingelsene er oppfylt, eller vi får også sannheten for de der alle betingelsene er oppfylt og usann for de resterende. Vi har utforsket fire eksempler her. Alle de fire eksemplene vi har etablert i denne opplæringen har gått gjennom denne prosessen. Eksemplene i denne opplæringen har alle blitt gjennomtenkt presentert for din fordel. Denne opplæringen bør hjelpe deg med å forstå denne ideen klarere.