Keskustellaan Pandas DataFramen indeksin nollaamisesta. Usein aloitamme valtavalla datakehyksellä Pandat ja datakehyksen käsittelyn/suodattamisen jälkeen päädymme paljon pienempään datakehykseen. Kun tarkastelemme pienempää datakehystä, se saattaa silti sisältää alkuperäisen datakehyksen riviindeksin. Jos alkuperäinen indeksi on numeroita , nyt meillä on indeksejä, jotka eivät ole jatkuvia.
c# mallikoodi
Palauta hakemiston syntaksi
Syntaksi :
DataFrame.reset_index(level=Ei mitään, drop=False, inplace=False, col_level=0, col_fill=)
- Parametrit:
level>: Määrittää nollattavat monitasoiset indeksitasot.drop>: Hylkää nykyisen indeksin, jos tosi; lisää uudeksi sarakkeeksi, jos False.inplace>: Muokkaa DataFramea paikalleen, jos True; palauttaa uuden DataFramen, jos False.col_level>: Määrittää, minkä tason monitasoisia sarakkeita nollataan.col_fill>: Täyttää puuttuvat arvot sarakkeiden tasoilla.- Palautustyyppi: Palauttaa uuden DataFramen, jos
inplace>on väärä; Ei yhtään josinplace>on totta
Pandoilla on reset_index()> toiminto. Joten jos haluat palauttaa indeksin oletusarvoiseen kokonaislukuindeksiin, joka alkaa 0:sta, voimme yksinkertaisesti käyttääreset_index()>toiminto. Katsotaanpa eri tapoja, joilla voimme nollata DataFrame-hakemiston.
Mikä on Reset Index?
Sisään Python ohjelmointikieli ja pandakirjastoreset_index>menetelmää käytetään nollaamaan datakehyksen indeksi. Kun suoritat toimintoja DataFrame-kehykselle pandassa, DataFramen hakemisto voi muuttua tai muuttua järjestäytymättömäksi. Thereset_index>-menetelmän avulla voit palauttaa indeksin oletusarvoiseen kokonaislukupohjaiseen indeksiin ja nollata indeksin Pandas DataFrame valinnaisesti nykyisen indeksin poistaminen.
Nollaa indeksi Pandas Dataframessa
On olemassa erilaisia menetelmiä, joiden avulla voimme nollata indeksin Pandas Dataframessa, selitämme joitakin yleisesti käytettyjä menetelmiä esimerkein.
- Luo oma hakemisto poistamatta oletushakemistoa
- Luo oma indeksi ja poista oletusindeksi
- Palauta oma indeksi ja luo oletusindeksi hakemistoksi
- Tee tietokehyksestä sarake hakemistoksi ja poista oletusindeksi
- Tee tietokehyksestä sarake hakemistoksi poistamatta indeksiä
Pandas DataFramen luominen
Tässä luomme mallin Pandas Dataframesta:
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> # Convert the dictionary into DataFrame> df>=> pd.DataFrame(data)> print>(df)> |
>
>
Lähtö:
Name Age Address Qualification 0 Jai 27 Delhi Msc 1 Princi 24 Kanpur MA 2 Gaurav 22 Allahabad MCA 3 Anuj 32 Kannauj Phd 4 Geeku 15 Noida 10th>
Luoda Oma hakemisto poistamatta oletusindeksiä
Tässä alla olevassa esimerkissä koodi käyttää pandaskirjastoa DataFrame-kehyksen luomiseen työntekijätiedoista. Se määrittelee a sanakirja, asettaa mukautetun indeksin, muuntaa sen DataFrame-kehykseksi, nollaa indeksin ja tulostaa tuloksen.
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> index>=> [>'a'>,>'b'>,>'c'>,>'d'>,>'e'>]> # Convert the dictionary into DataFrame> df>=> pd.DataFrame(data, index)> # Make Own Index as index> # In this case default index is exist> df.reset_index(inplace>=> True>)> print>(df)> |
jokaiselle konekirjoitukselle
>
>
Lähtö:
index Name Age Address Qualification 0 a Jai 27 Delhi Msc 1 b Princi 24 Kanpur MA 2 c Gaurav 22 Allahabad MCA 3 d Anuj 32 Kannauj Phd 4 e Geeku 15 Noida 10th>
Luo oma hakemisto ja poista oletusindeksi
Tässä alla olevassa esimerkissä koodi käyttää pandaskirjastoa DataFramen luomiseen sanakirjaan tallennetuista työntekijöiden tiedoista. Se asettaa mukautetun indeksin ('a' - e) ja tulostaa sitten tuloksena olevan DataFramen, jossa mukautettu indeksi korvaa oletusarvoisen numeerisen indeksin.
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> # Create own index> index>=> [>'a'>,>'b'>,>'c'>,>'d'>,>'e'>]> # Convert the dictionary into DataFrame> # Make Own Index and Removing Default index> df>=> pd.DataFrame(data, index)> print>(df)> |
>
>
Lähtö:
Name Age Address Qualification a Jai 27 Delhi Msc b Princi 24 Kanpur MA c Gaurav 22 Allahabad MCA d Anuj 32 Kannauj Phd e Geeku 15 Noida 10th>
Palauta oma hakemisto ja luo oletusindeksi hakemistoksi
Tässä alla olevassa esimerkissä koodi luo Pandas DataFramen työntekijätietojen sanakirjasta mukautetulla indeksillä ('a' - 'e'). Myöhemmin se nollaa indeksin, korvaa mukautetun indeksin oletusarvoisella numeerisella indeksillä ja tulostaa sitten tuloksena olevan kehyksen.
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> # Create own index> index>=> [>'a'>,>'b'>,>'c'>,>'d'>,>'e'>]> # Convert the dictionary into DataFrame> df>=> pd.DataFrame(data, index)> # remove own index with default index> df.reset_index(inplace>=> True>, drop>=> True>)> print>(df)> |
>
tehdasmenetelmän suunnittelukuvio
>
Lähtö:
Name Age Address Qualification 0 Jai 27 Delhi Msc 1 Princi 24 Kanpur MA 2 Gaurav 22 Allahabad MCA 3 Anuj 32 Kannauj Phd 4 Geeku 15 Noida 10th>
Tee sarake hakemistoksi ja poista oletusindeksi
Alla olevassa esimerkissä koodi luo Pandas DataFramen työntekijätiedoista, asettaa mukautetun indeksin ja muuttaa sitten indeksin Ikä-sarakkeeksi poistaen samalla oletusarvoisen numeerisen indeksin. Lopullinen datakehys tulostetaan kahdesti.
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> # Create own index> index>=> [>'a'>,>'b'>,>'c'>,>'d'>,>'e'>]> # Convert the dictionary into DataFrame> df>=> pd.DataFrame(data, index)> # set index any column of our DF and> # remove default index> df.set_index([>'Age'>], inplace>=> True>)> print>(df)> |
muuntaa merkkijonon merkiksi
>
>
Lähtö:
Name Address Qualification Age 27 Jai Delhi Msc 24 Princi Kanpur MA 22 Gaurav Allahabad MCA 32 Anuj Kannauj Phd 15 Geeku Noida 10th>
Tee tietokehyksestä sarake hakemistoksi poistamatta indeksiä
Tässä alla olevassa esimerkissä koodi luo DataFramen työntekijätiedoista käyttäen aluksi mukautettua indeksiä. Sitten se asettaa Ikä-sarakkeen indeksiksi, nollaa indeksin poistamatta oletusnumeerista indeksiä ja tulostaa lopuksi tuloksena olevan DataFrame-kehyksen.
Python 3
# Import pandas package> import> pandas as pd> > # Define a dictionary containing employee data> data>=> {>'Name'>:[>'Jai'>,>'Princi'>,>'Gaurav'>,>'Anuj'>,>'Geeku'>],> >'Age'>:[>27>,>24>,>22>,>32>,>15>],> >'Address'>:[>'Delhi'>,>'Kanpur'>,>'Allahabad'>,>'Kannauj'>,>'Noida'>],> >'Qualification'>:[>'Msc'>,>'MA'>,>'MCA'>,>'Phd'>,>'10th'>] }> # Create own index> index>=> [>'a'>,>'b'>,>'c'>,>'d'>,>'e'>]> # Convert the dictionary into DataFrame> df>=> pd.DataFrame(data, index)> # set any column as index> # Here we set age column as index> df.set_index([>'Age'>], inplace>=> True>)> # reset index without removing default index> df.reset_index(level>=>[>'Age'>], inplace>=> True>)> print>(df)> |
>
>
Lähtö:
Age Name Address Qualification 0 27 Jai Delhi Msc 1 24 Princi Kanpur MA 2 22 Gaurav Allahabad MCA 3 32 Anuj Kannauj Phd 4 15 Geeku Noida 10th>