Tietojen visualisointi on tekniikka, jota käytetään antamaan tietoa tiedoista käyttämällä visuaalisia vihjeitä, kuten kaavioita, kaavioita, karttoja ja monia muita. Tämä on hyödyllistä, koska se auttaa intuitiivisesti ja helposti ymmärtämään suuria tietomääriä ja tekemään sitä koskevia parempia päätöksiä. Kun käytämme tulostamassa suurta määrää tietojoukkoa, se katkaistaan. Tässä artikkelissa aiomme nähdä, kuinka tulostaa koko Pandas Dataframe tai sarja ilman katkaisua.
Tulosta koko Pandas DataFrame Pythonissa
Oletusarvon mukaan koko datakehystä ei tulosteta, jos pituus ylittää oletuspituuden, tulos katkaistaan alla olevan kuvan mukaisesti:
Python 3
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)> |
>
>
Lähtö:
On 4 tapaa tulostaa koko panda-tietokehys:
- Käytä to_string()-menetelmää
- Käytä pd.option_context() -menetelmää
- Käytä pd.set_options() -menetelmää
- Käytä pd.to_markdown() -menetelmää
Tapa 1: Käytä to_string()
Vaikka tämä menetelmä on yksinkertaisin, se ei ole suositeltavaa erittäin suurille tietojoukoille (miljoonien luokkaa), koska se muuntaa koko tietokehyksen merkkijonoobjektiksi, mutta toimii erittäin hyvin tietokehyksissä, joiden koko on tuhansia.
Syntaksi: DataFrame.to_string(buf=Ei mitään, columns=Ei mitään, col_space=Ei mitään, header=True, index=True, na_rep='NaN', formatters=Ei mitään, float_format=Ei mitään, index_names=True, justify=Ei mitään, max_rows=Ei mitään, max_cols=Ei mitään, show_dimensions=False, decimal='.', line_width=Ei mitään)
Esimerkki: Tässä esimerkissä käytämmeload_iris>scikit-learnin toiminto lataa Iris-tietojoukon, luo sitten pandas DataFramen (df>), joka sisältää tietojoukon ominaisuudet, ja muuntaa lopuksi koko DataFramen merkkijonoesitykseen käyttämällä to_string()> ja näyttää sen.
Python 3
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())> |
kohdista css-kuva
>
>
gigatavun ja megatavun ero
Lähtö:
Tapa 2: Käytä pd.option_context()
Pandat sallivat asetusten muuttamisen option_context() menetelmä ja set_option() menetelmiä. Molemmat menetelmät ovat identtisiä sillä erolla, että myöhemmin toinen muuttaa asetuksia pysyvästi ja edellinen vain kontekstinhallinnan laajuudessa.
Syntaksi : pandas.option_context(*args)
Esimerkki: Tässä esimerkissä käytämme scikit-learnin Iris-tietojoukkoa, luo panda-tietokehyksen (df>) määritetyillä muotoiluvaihtoehdoilla ja tulostaa DataFramen väliaikaisessa kontekstissa, jossa näyttöasetuksia, kuten enimmäisrivejä, sarakkeita ja tarkkuutta, muutetaan vain paikallista laajuutta varten.
Python 3
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)> |
>
>
Lähtö:
Tapa 3: Käytä pd.set_option()
Tämä menetelmä on samanlainen kuin menetelmä pd.option_context() ja ottaa samat parametrit kuin menetelmälle 2, mutta toisin kuin pd.option_context() laajuus ja vaikutus koskevat koko skriptiä, eli kaikkia tietokehysasetuksia muutetaan pysyvästi
Käytä nimenomaisesti nollataksesi arvon pd.reset_option('kaikki') menetelmää on käytettävä muutosten palauttamiseksi.
Syntaksi : pandas.set_option(pat, arvo)
Esimerkki: Tämä koodi muokkaa globaaleja pandan näyttöasetuksia näyttämään kaikki rivit ja sarakkeet rajoittamattomalla leveydellä ja tarkkuudella tietylle DataFrame-kehykselle (df>). Sitten se palauttaa asetukset oletusarvoihinsa ja näyttää DataFramen uudelleen, mikä kuvaa oletusasetusten palauttamista.
Python 3
java lisääminen taulukkoon
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)> |
>
>
Lähtö:
Tapa 4: Käytä to_markdown()
Tämä menetelmä on samanlainen kuin to_string()-menetelmä, koska se myös muuntaa tietokehyksen merkkijonoobjektiksi ja lisää siihen myös tyylin ja muotoilun.
Syntaksi : DataFrame.to_markdown(buf=Ei mitään, mode='wt', index=True,, **kwargs)
Esimerkki: Tämä koodi käyttää scikit-learnin Iris-tietojoukkoa luomaan pandas DataFrame (df>), ja sitten se tulostaa muotoillun Markdown-esityksen DataFramesta käyttämällä to_markdown()>menetelmä .
Python 3
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())> |
>
>
Lähtö: