Classement des pandas

«Python offre un grand nombre de bibliothèques. En ce qui concerne les «pandas», nous voulons également dire la bibliothèque Python. Cela nous profite dans une variété de domaines, tels que les sciences des données et l'apprentissage automatique, où nous pouvons tous deux utiliser la bibliothèque «Pandas». De plus, il facilite la modification et la gestion des données. Nous pouvons trouver le «rang» des données numériques que nous avons insérées dans les données «pandas». La méthode «Rank ()» est disponible dans la bibliothèque «Pandas» pour trouver le rang des données numériques. La méthode «Rank ()» nous aide à calculer le rang des données numériques. Cette méthode «Rank ()» sera complètement expliquée dans ce guide, ainsi que son fonctionnement. Nous utiliserons également les méthodes «Rank ()» dans nos codes ici."

Syntaxe

Trame de données.rang (axe = 0, méthode = "moyenne", numérique_only = aucun, na_option = "keep", ascendant = true / false, pct = false)

Exemple # 01

Spyder est l'outil que nous utilisons pour créer ces codes «pandas» qui sont présents dans ce guide. L'importation des bibliothèques est la première étape que nous devons prendre en écrivant le code «pandas». Le mot-clé «Import» est utilisé pour l'importation de la bibliothèque. La bibliothèque «Pandas» est la bibliothèque qui doit être importée. Après avoir tapé «l'importation», nous tapons «pandas en tant que pd» ici. Après cela, nous créons le dataframe. Le «PD» montre que le «dataFrame ()» est la méthode de «Pandas», que nous obtenons ici en tapant «PD» avec cette méthode «DataFrame ()».

La première colonne est la colonne «Nom», et dans cette colonne, nous insérons «Los Angeles, New York, France, Chicago, Denver, Delhi, Paris, Istanbul et Boston». Nous ajoutons ensuite la colonne «Parks», qui contient le nombre de parcs comme «45, 58, 82, 90, 64, 75, 44, 81 et 59». Nous avons ici deux autres colonnes qui sont des «hôpitaux» et des «écoles». Dans la chronique «hôpitaux», nous ajoutons «125, 115, 92, 100, 84, 105, 98, 99 et 159» et dans la colonne «Schools», nous ajoutons «95, 158, 182, 99, 74, 115, 104, 81 et 99 ”. Maintenant, nous utilisons la méthode «print ()» pour afficher ce dataframe.

Nous pouvons facilement voir la sortie de nos codes lorsque nous cliquons sur l'icône «Exécuter» dans l'outil «Spyder». Voici le résultat de ce code, et on peut voir que seul le dataframe que nous avons créé est montré dans ce résultat. Maintenant, nous utiliserons la méthode «Rank ()» pour obtenir le rang des données numériques.

Nous créons d'abord la nouvelle colonne ici en plaçant le nom de DataFrame, et nous insérons le nouveau nom de colonne, qui est «Hospital_Rank», ici. Ensuite, nous appliquons la méthode «Rank ()» à la colonne «Hospitals» et stockons le résultat dans la nouvelle colonne que nous avons créée ici. Après cela, nous plaçons le nom de DataFrame dans le «print ()», de sorte que la nouvelle colonne est également ajoutée et rendue à l'écran.

Il donne le rang aux données des «hôpitaux» et les affiche dans une autre colonne que nous avons créée ci-dessus. Il affiche les valeurs de rang. Il donne la valeur de rang «1» aux plus petites valeurs, puis ainsi.

Nous appliquons également cette méthode «Rank ()» à la colonne «Écoles» et stockons ici les valeurs de rang dans la colonne «School_Rank». Nous n'avons transmis aucun paramètre à cette fonction «Rank ()», il donnera donc le rang aux valeurs de la colonne «écoles» dans l'ordre croissant.

La colonne «School_Rank» s'affiche ici, et dans cette colonne, les valeurs de rang sont mentionnées. Ce sont les valeurs de rang de la colonne «écoles» parce que nous appliquons cette méthode à la colonne «écoles».

Exemple # 02

Ici, «School_df» est créé. Nous avons utilisé «PD.DataFrame () ”pour générer le dataframe dans« pandas »et, par conséquent, ce dataframe a été créé. De plus, nous ajoutons quelques colonnes, et ces colonnes contiennent également des données. La colonne que nous ajoutons d'abord est la colonne «Nom». Puis «Resse, Collins, Layla, Cora, Bromley, Ellis, Kelly et Bromley» sont tous présents dans cette colonne. La colonne suivante, obt_marks "est l'endroit où nous ajoutons" 150, 334, 39, 376, 585, 190, 453 et 669 ". Ici, la troisième colonne est étiquetée «OBT_PER», et nous entrons les pourcentages «30%, 55%, 10%, 58%, 75%, 33%, 62% et 81%».

Ensuite, nous avons la colonne «qualifier». Il comprend les données suivantes «non promus, promus, non promus, promus, promus, non promus, promus, promus». Maintenant, nous imprimons ce dataframe, puis nous ajoutons une nouvelle colonne avec le nom "Student_rank" dans cette fonction de données et appliquons la fonction "Rank ()" à la colonne "OBT_MARKS". Nous avons également défini la valeur du paramètre «ascendant» sur «false».

Lorsque cette méthode «Rank ()» s'applique aux données de la colonne «OBT_MARKS», alors elle enregistre les valeurs de «Rank» dans la colonne «Student_Rank», qui est ajoutée ici à ce DataFrame. Nous imprimons ensuite à nouveau le DataFrame, qui contient également la colonne «School_Rank».

La colonne "Student_Rank" s'affiche également dans le dataframe mis à jour, et il montre le rang des valeurs de colonne "OBT_MARK.

Exemple # 03

Dans ce code, nous utilisons la méthode «Rank ()» pour obtenir les valeurs de grade de la colonne «Obt Marks». De plus, nous avons modifié la valeur du paramètre «ascendant» en «vrai». Lorsque la colonne «Student_Rank» de cette Dataframe reçoit des données de la colonne «Obt Marks» via la méthode «Rank ()», les valeurs de «Rank» sont enregistrées par la suite en appliquant la méthode «Rank ()». Le DataFrame est ensuite imprimé une fois de plus ici.

Nous définissons «True» comme valeur de l'option «ascendant» dans la méthode «Rank ()», de sorte que la colonne «Student_Rank», qui est présente dans le dataframe modifié, affiche le rang des valeurs de la colonne «OBT_MARKS» Dans l'ordre croissant.

Exemple # 04

Maintenant, nous appliquons la fonction «Rank ()» et trions également les données après avoir obtenu la valeur de rang. Ici, nous avons trouvé les valeurs de rang des «obt_marks» des étudiants et n'avons ajouté aucun paramètre à cette méthode «Rank ()». Ensuite, après avoir obtenu les valeurs de classement en ordre croissant, nous stockons ces valeurs que nous obtenons dans la colonne «Student_Rank» après avoir appliqué la méthode «Rank ()». Nous trierons ces valeurs à l'aide du «tri.VALEUR () »Méthode et mettez le nom de la colonne dont nous voulons y trier les données, et ce nom de colonne est« Student_Rank »ici. Nous mettons également «vrai» comme valeur du paramètre «InPlace». Ensuite, nous imprimons à nouveau la «SCHOOL_DF», qui retournera la colonne «Student_Rank» triée.

Il affiche d'abord les valeurs de rang devant chaque ligne dans la nouvelle colonne, qui est «Student_rank» ici, puis il trie ces valeurs, qui sont rendues dans la colonne «Student_Rank» et affiche également les valeurs triées et classées dans ce qui précède «School_DF."

Exemple # 05

Maintenant, nous appliquons la méthode «Rank ()» au fichier CSV. Pour ce faire, nous devons lire le fichier CSV à l'aide du «PD.Méthode read () ”. Nous avons donc mis cette méthode ici, qui lit les données du fichier CSV et les enregistre dans la variable "my_data" sous la forme de DataFrame. Ensuite, nous insérons une colonne «unité de rang», et les données que nous obtenons après avoir appliqué la méthode «Rank ()» à la colonne «Unités» du fichier CSV sont ensuite enregistrées dans cette colonne. Après cela, nous utilisons le «print ()» pour afficher le DataFrame avec la nouvelle colonne, que nous avons ajoutée ici.

Il s'agit des données du fichier CSV, et vous pouvez également noter que la colonne «unité de rang» s'affiche ici, qui contient les valeurs de rang, et nous obtenons ces valeurs à l'aide de la méthode «Rank ()».

Conclusion

Ce guide vise à décrire la fonction «Ranque de pandas» en détail. Nous avons décrit que nous avons utilisé cette méthode pour trouver le rang des données numériques. Nous avons également utilisé la méthode «Rank ()» dans nos codes ici et avons montré les valeurs classées dans l'ordre croissant et descendant. Nous trierons également les valeurs de «rang» ici dans nos codes et avons expliqué ces codes et cette méthode «Rank ()» en détail. Nous avons également appliqué cette méthode «Rank ()» aux données du fichier CSV et vous a expliqué comment procéder. Ce guide a décrit tout sur la méthode «Rank ()» de «pandas» avec une explication appropriée.