Vizualizacija podatkov je tehnika, ki se uporablja za zagotavljanje vpogledov v podatke z uporabo vizualnih namigov, kot so grafi, grafikoni, zemljevidi in mnogi drugi. To je koristno, saj pomaga pri intuitivnem in enostavnem razumevanju velikih količin podatkov in s tem sprejemanju boljših odločitev v zvezi z njimi. Ko uporabimo tiskanje velikega števila nabora podatkov, se ta skrajša. V tem članku si bomo ogledali, kako natisniti celotno Pandas Dataframe ali serija brez okrnitve.
Natisnite celoten Pandas DataFrame v Pythonu
Privzeto se celoten podatkovni okvir ne natisne, če dolžina presega privzeto dolžino, izhod je prirezan, kot je prikazano spodaj:
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)> |
>
>
Izhod:
obstajajo 4 metode za tiskanje celotnega okvira podatkov pandas:
- Uporabite metodo to_string().
- Uporabite metodo pd.option_context().
- Uporabite metodo pd.set_options().
- Uporabite metodo pd.to_markdown().
1. način: uporaba to_string()
Medtem ko je ta metoda najpreprostejša od vseh, ni priporočljiva za zelo velike nize podatkov (v vrstnem redu milijonov), ker pretvori celoten podatkovni okvir v objekt niza, vendar deluje zelo dobro za podatkovne okvire velikosti v vrstnem redu tisoč.
Sintaksa: DataFrame.to_string(buf=Brez, columns=Brez, col_space=Brez, header=True, index=True, na_rep='NaN', formatters=Brez, float_format=Brez, index_names=True, justify=Brez, max_rows=Brez, max_cols=Brez, show_dimensions=False, decimal='.', line_width=Brez)
primer: V tem primeru uporabljamoload_iris>funkcijo iz scikit-learn za nalaganje nabora podatkov Iris, nato ustvari pandas DataFrame (df>), ki vsebuje funkcije nabora podatkov, in končno pretvori celoten DataFrame v predstavitev niza z uporabo to_string()> in ga prikaže.
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())> |
enakost objektov v Javi
>
>
Izhod:
2. način: Uporaba pd.option_context()
Pande omogočajo spreminjanje nastavitev prek option_context() metoda in set_option() metode. Obe metodi sta enaki z eno razliko, da pozneje ena trajno spremeni nastavitve, prva pa to stori samo v okviru upravitelja konteksta.
Sintaksa: pandas.option_context(*args)
kako velik je ta monitor
primer: V tem primeru uporabljamo nabor podatkov Iris iz scikit-learn, ustvari pandas DataFrame (df>) z določenimi možnostmi oblikovanja in natisne DataFrame v začasnem kontekstu, kjer so nastavitve prikaza, kot so največje število vrstic, stolpcev in natančnost, spremenjene samo za lokalni obseg.
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)> |
>
>
Izhod:
3. način: Uporaba pd.set_option()
Ta metoda je podobna metodi pd.option_context() in zavzema enake parametre, kot so obravnavani za metodo 2, vendar za razliko od pd.option_context() obseg in učinek na celoten skript, tj. vse nastavitve podatkovnih okvirov se trajno spremenijo
Za eksplicitno ponastavitev vrednosti uporabite pd.reset_option('vse') za razveljavitev sprememb je treba uporabiti metodo.
Sintaksa: pandas.set_option(pat, vrednost)
primer: Ta koda spremeni možnosti prikaza globalnih pand, da prikaže vse vrstice in stolpce z neomejeno širino in natančnostjo za dani DataFrame (df>). Nato ponastavi možnosti na privzete vrednosti in znova prikaže DataFrame, ki ponazarja obnovitev privzetih nastavitev.
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)> |
>
nfa v dfa
>
Izhod:
4. način: Uporaba to_markdown()
Ta metoda je podobna metodi to_string(), saj prav tako pretvori podatkovni okvir v objekt niza in mu doda tudi slog in oblikovanje.
Sintaksa: DataFrame.to_markdown(buf=None, mode='wt', index=True,, **kwargs)
primer: Ta koda uporablja nabor podatkov Iris iz scikit-learn za ustvarjanje pandas DataFrame (df>), nato pa natisne oblikovano Markdown predstavitev DataFrame z uporabo to_markdown()>metoda .
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())> |
>
>
Izhod: