Duomenų vizualizavimas yra metodas, naudojamas norint pateikti duomenų įžvalgas naudojant vaizdinius nurodymus, pvz., grafikus, diagramas, žemėlapius ir daugelį kitų. Tai naudinga, nes padeda intuityviai ir lengvai suprasti didelius duomenų kiekius ir priimti geresnius sprendimus. Kai spausdiname didelį duomenų rinkinio skaičių, jis sutrumpinamas. Šiame straipsnyje pamatysime, kaip spausdinti visą Pandos duomenų rėmelis arba Serija be sutrumpinimo.
Išspausdinkite visą Pandas DataFrame naudodami Python
Pagal numatytuosius nustatymus visas duomenų rėmelis nespausdinamas, jei ilgis viršija numatytąjį ilgį, išvestis sutrumpinama, kaip parodyta toliau:
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)> |
>
>
Išvestis:
Yra 4 būdai spausdinti visą pandų duomenų rėmelį:
- Naudokite to_string() metodą
- Naudokite pd.option_context() metodą
- Naudokite pd.set_options() metodą
- Naudokite pd.to_markdown() metodą
1 būdas: to_string() naudojimas
Nors šis metodas yra paprasčiausias, jis nerekomenduojamas labai dideliems duomenų rinkiniams (milijonais), nes jis konvertuoja visą duomenų rėmelį į eilutės objektą, tačiau labai gerai tinka duomenų rėmeliams, kurių dydis siekia tūkstančius.
Sintaksė: DataFrame.to_string(buf=Nėra, columns=Nėra, col_space=Nėra, header=Tiesa, index=Tiesa, na_rep='NaN', formatters=Nėra, float_format=Nėra, index_names=Tiesa, justify=Nėra, max_rows=Nėra, max_cols=Nėra, show_dimensions=Klaidinga, decimal='.', line_width=Nėra)
Pavyzdys: Šiame pavyzdyje mes naudojameload_iris>funkcija iš scikit-learn įkelti Iris duomenų rinkinį, tada sukuria pandos DataFrame (df>), kuriame yra duomenų rinkinio funkcijos, ir galiausiai konvertuoja visą „DataFrame“ į eilutės atvaizdavimą naudojant to_string()> ir jį parodo.
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())> |
int padvigubinti
>
>
Išvestis:
2 būdas: pd.option_context() naudojimas
Pandos leidžia keisti nustatymus per option_context() metodas ir set_option() metodus. Abu metodai yra identiški, tačiau vienas skirtumas yra tas, kad vėliau parametrai pakeičiami visam laikui, o pirmasis tai daro tik konteksto tvarkyklės srityje.
Sintaksė: pandas.option_context(*args)
Pavyzdys: Šiame pavyzdyje mes naudojame Iris duomenų rinkinį iš scikit-learn, sukuriame pandos DataFrame (df>) su nurodytomis formatavimo parinktimis ir spausdina „DataFrame“ laikinajame kontekste, kuriame rodymo parametrai, pvz., didžiausios eilutės, stulpeliai ir tikslumas, yra modifikuojami tik vietinei apimčiai.
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)> # 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)> |
kibirkšties pamoka
>
>
Išvestis:
3 būdas: pd.set_option() naudojimas
Šis metodas yra panašus į pd.option_context() metodą ir naudoja tuos pačius parametrus, kaip ir 2 metodo atveju, tačiau skirtingai nuo pd.option_context() apimtis ir poveikis yra visam scenarijui, ty visi duomenų rėmelių nustatymai keičiami visam laikui
Norėdami aiškiai iš naujo nustatyti vertę, naudokite pd.reset_option('visi') metodas turi būti naudojamas norint grąžinti pakeitimus.
Sintaksė: pandas.set_option(pat, value)
Pavyzdys: Šis kodas modifikuoja pasaulines pandų rodymo parinktis, kad būtų rodomos visos eilutės ir stulpeliai neribotu pločiu ir tikslumu duotam DataFrame (df>). Tada jis iš naujo nustato parinkčių numatytąsias reikšmes ir vėl parodo DataFrame, iliustruodamas numatytųjų nustatymų atkūrimą.
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)> |
>
>
Išvestis:
4 būdas: to_markdown() naudojimas
Šis metodas yra panašus į metodą to_string(), nes jis taip pat konvertuoja duomenų rėmelį į eilutės objektą, taip pat prideda jo stilių ir formatavimą.
Sintaksė: DataFrame.to_markdown(buf=nėra, mode='wt', index=true,, **kwargs)
Pavyzdys: Šis kodas naudoja Iris duomenų rinkinį iš scikit-learn, kad sukurtų pandos duomenų rėmelį (df>), tada jis išspausdina suformatuotą „DataFrame“ žymėjimo atvaizdą naudodamas to_markdown()>metodas .
Python3
10 iš 100,00
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())> |
>
>
Išvestis: