Pandas .valeurs

Un format de données tabulaires à taille de taille bidimensionnel, éventuellement hétérogénéité avec des axes étiquetés, est appelé «Pandas DataFrame». Les noms de lignes et de colonnes s'alignent sur les opérations arithmétiques. La structure de données principale des Pandas est représentée par ce. Une représentation Numpy de la dataframe fournie est renvoyée par l'attribut de valeurs. Nous pouvons obtenir la représentation Numpy en utilisant l'attribut «Valeurs». Dans la représentation Numpy, les étiquettes des dataframes sont également supprimées. Dans cet article, nous utiliserons l'attribut «Valeurs» dans notre programme Python pour obtenir la représentation «Numpy» du cadre de données. Nous explorerons cet attribut «Pandas Values» en détail dans cet article.

Syntaxe:

La syntaxe pour obtenir la représentation Numpy du DataFrame est donnée ci-dessous:

# Trame de données.valeurs

Exemple # 01:

Pour effectuer ces exemples, nous devons installer l'outil Spyder. Après l'installation de cet outil, nous écrivons des codes qui sont également présentés ci-dessous. Tout d'abord, nous devons importer le «panda» en tant que «PD». Python est chargé d'importer la bibliothèque de traitement des données des Pandas dans le code existant par la section Pandas d'importation du code. La section PD du code demande à Python d'attribuer à Pandas l'abréviation de PD. En conséquence, vous pouvez utiliser les fonctions Pandas en tapant uniquement PD. Ensuite, nous créons le «DataFrame» en dessous. Nous attribuons le «PD.DataFrame »à la variable« DF ». Nous mettons le nom comme nom de colonne et nous plaçons quelques noms pour cette colonne.

Ici, nous ajoutons «John», «Henry», «Peter» et «Smith» à cette colonne «Nom». Vient ensuite la colonne «Age» et nous ajoutons l'âge de tous ceux qui sont «45», «25», «60» et «33». Le nom de la troisième colonne est «Pay» ici. Nous ajoutons le paiement de tous comme «12000», «35000», «15000» et «23500». Après cela, nous utilisons l'instruction «print ()» qui imprime ce cadre de données en lignes et colonnes. Maintenant, enregistrez ce code avec le nom de votre choix et l'extension de fichier pour cela apparaîtra automatiquement.

Pour obtenir le résultat de ce code, nous appuyons simplement sur «Shift + Entrée» ou nous pouvons également utiliser le bouton d'exécution de cet outil «Spyder». Lorsque nous appuyons sur le bouton d'exécution de la barre des tâches, nous pouvons obtenir la sortie sur le terminal de l'outil «Spyder». Après cela, la sortie sera rendu à l'écran. Dans l'image donnée, vous pouvez observer que les données sont imprimées en rangées et colonnes. Mais nous voulons imprimer ces données dans la représentation Numpy. Donc, pour cela, nous ajoutons quelques lignes supplémentaires dans le code ci-dessus qui sont également données sous cette capture d'écran de sortie.

Pour obtenir la représentation «Numpy», nous utilisons l'attribut «Valeurs» avec le nom du DataFrame que nous avons créé ci-dessus. Nous utilisons une variable nommée «RSLT» et attribuons le «DF. Valeurs »à cette variable« RSLT »afin qu'elle donnera à la représentation Numpy du DataFrame. Pour imprimer cette représentation «Numpy», nous utilisons ici la déclaration «print ()».

La capture d'écran montre que les données sont représentées comme le «Numpy». Nous obtenons cette représentation «Numpy» à l'aide de l'attribut «Valeurs» dans notre code. Il n'y a pas d'étiquettes de la dataframe dans cette représentation Numpy.

Exemple # 02:

Maintenant, nous effectuons un autre exemple ici pour vous et nous utilisons à nouveau l'attribut «Valeurs» dans cet exemple. Nous commençons notre code en important le «panda» en tant que «PD». Cela nous aidera à utiliser la fonction du panda en mettant simplement «PD». Après cela, nous avons une variable nommée «DF1» et nous les initialisons avec une dataframe en tapant simplement «PD.Trame de données". Nous créons quatre colonnes différentes pour cette dataframe comme «nom», «âge», «pay» et «profession». Nous mettons quelques noms dans les colonnes «Noms» et utilisons également le mot-clé «Aucun» ici. Ce «aucun» est utilisé pour définir une valeur nulle. Nous ajoutons deux noms «Alies» et «Peter», et deux mots clés «aucun» dans cette colonne «Nom».

Ensuite, nous avons «l'âge». Nous ajoutons des données d'âge sous forme de «55», «64» et «39». Nous utilisons également la colonne «aucun» pour cette colonne «Age». Nous ajoutons «25000», «55000», «28000», ainsi qu'un mot clé «Aucun» pour la colonne «Pay». Ensuite, vient la «profession». Nous avons «informatique professionnel» et «ingénieur SE» et les deux restants comme «aucun». Tout d'abord, nous imprimons ce «DataFrame» qui apparaîtra sous forme de lignes et de colonnes, puis nous appliquons l'attribut «Valeurs» à la dataframe «DF1» et attribue cela à «DF2». Nous l'écrivons comme «DF1.valeurs »et initialiser« df2 »avec ce. Maintenant, nous imprimons ce «DF2» et vous verrez qu'il renvoie la représentation Numpy de ce DataFrame et supprimera les étiquettes que nous avons ajoutées dans le DataFrame. Enregistrer ce code, puis nous pouvons obtenir le résultat de ce code.

Nous appuyons sur «Shift + Enter» et cette sortie donnée est rendue sur l'écran du terminal. Ici, nous pouvons facilement voir les données dans le dataframe qui apparaissent dans les lignes et les colonnes. Les étiquettes sont également mentionnées et ci-dessous les données sont rendues dans la représentation Numpy et les étiquettes sont supprimées car nous avons utilisé l'attribut «Valeurs» avec le nom du «DataFrame». Ici, vous observez qu'il rend «Nan» pour le «aucun».

Exemple # 03:

Maintenant, nous avons le troisième et le dernier exemple dans lequel nous utiliserons l'attribut «valeurs». Nous importons à nouveau les «pandas» comme «PD». La raison de l'importation des «pandas en tant que PD» est déjà discuté dans les codes ci-dessus. Nous créons un «dataframe» en mettant «PD.Trame de données". Nous attribuons ce «PD.DataFrame »à une variable et le nom de cette variable est« DF3 ». Nous ajoutons des données dans le dataframe.

Comme nous l'avons discuté, ces données seront rendues sous forme de lignes et de colonnes. Nous ajoutons «David», «John», «550» et «900» dans la première rangée du DataFrame. Nous ajoutons également «Alies», «William», «400» et «900» dans la deuxième rangée. Dans la troisième rangée, nous ajoutons «Emma», «Noah», «655» et «900». Enfin, nous ajoutons «Alexander», «Thomas», «700» et «900». Maintenant, nous utilisons le mot-clé «valeurs» pour obtenir une représentation Numpy. Nous initialisons la variable «Résultat» et l'initialisons avec le «DF3. valeurs". Ensuite, nous voulons imprimer cette représentation Numpy de DataFrame que nous obtenons après avoir appliqué cet attribut «valeurs». Ainsi, nous utilisons le «print ()» et passons le «résultat» comme paramètre de cette fonction. Il renverra la représentation «Numpy» sur le terminal de sortie. Maintenant, enregistrez ce code.

La capture d'écran donnée ci-dessous est la représentation Numpy. Nous obtenons cette sortie en appuyant simplement sur «Shift + Entrée» dont nous avons également discuté ci-dessus.

Conclusion

Nous avons présenté cet article pour expliquer le concept de l'attribut «Pandas Values». Nous avons expliqué ce concept en détail afin que vous compreniez facilement comment utiliser l'attribut «valeurs». Nous avons discuté que l'attribut «Valeurs» est utilisé pour obtenir la représentation Numpy du DataFrame. Dans la représentation Numpy, les étiquettes sont supprimées. Nous n'obtenons que les valeurs, pas les étiquettes. Nous avons exploré plusieurs exemples dans cet article et avons également expliqué toutes les lignes de codes en détail. Nous avons fourni la sortie de tous les codes ici ainsi que les codes.