Pandas Transforment

Pandas Transforment
«Python Pandas nous fournit une technique relativement simple si nous devons transformer notre dataframe ou notre série. La méthode Pandas «Transform ()» est une méthode intégrale qui utilise une fonction pour générer un nouveau DataFrame tout seul, modifiant tous les éléments présents dans le DataFrame d'origine tout en gardant la longueur et indexer la même. «Func» est le paramètre de désignation de fonction de la méthode «transform ()». Nous utilisons «Func» avec des conditions lambda pour transformer le dataframe. La méthode «Lambda ()» est appliquée pour inclure d'autres fonctions."

La syntaxe de la méthode Python Pandas Transform ()

Exemple 1: Utilisation de la méthode pandas transform () en ajoutant 1 à chaque Élément du dataframe

Dans cette démonstration, nous utiliserons la méthode «transform ()» et le paramètre «fonction» pour ajouter «1» à chaque élément du dataframe. La méthode «transform ()» est principalement utilisée pour modifier le dataframe en modifiant les modifications des éléments de DataFrame. Lorsqu'une méthode est exécutée sur elle-même en utilisant la fonction «Transform ()», un dataframe avec des valeurs transformées et la même longueur d'axe que le soi est produit.

En commençant par la première illustration de l'article. Nous utilisons l'outil «Spyder» pour implémenter le code. Nous devons d'abord importer la bibliothèque Pandas. Pour créer le DataFrame, nous utilisons actuellement «PD.trame de données". Le DataFrame «DF» contient quatre colonnes. Les lettres «M», «N», «O» et «P» sont les noms de la colonne. Certaines valeurs ont été répertoriées pour ces colonnes. Nous avons les valeurs «1», «2», «3», «4» et «5» dans la colonne «M». Les chiffres «6», «7», «8», «9» et «10» sont dans la colonne «N» tandis que les chiffres «11», «12», «13», «14» et «15» sont dans la troisième colonne «o» en outre, nous avons «16», «17», «18», «19» et «20» pour la colonne finale, «P». Le DataFrame est maintenant imprimé à l'aide de la fonction «print ()».

La prochaine chose que nous allons faire est d'utiliser le paramètre «func» avec la fonction «transform ()». Le DataFrame est essentiellement transformé par le paramètre «Func». Comme vous pouvez le voir, «lambda» est également utilisée dans la méthode transform () en utilisant le paramètre «func». Les petites fonctions sans nom sont connues sous le nom de lambdas. Il ne peut avoir qu'une seule expression mais peut avoir un nombre illimité d'entrées. Ici, nous utilisons Lambda pour exprimer la condition, qui est «A + 1», ajoutant «1» à chaque valeur dans les colonnes du dataframe. Supposons que «A» représente chaque élément dans le DataFrame et que la condition est «A + 1», qui sera appliquée une par un à chaque élément présentant les colonnes de données de données. Suite à cela, nous affichons l'instruction «transformée DataFrame» et le dataframe lui-même à l'écran en utilisant la fonction «print ()».

Il y a deux dataframes visibles dans cet affichage d'image de sortie, comme on peut le voir. La transformation du dataframe est accomplie. La transformée DataFrame montre que chaque élément de DataFrame a eu "1" l'a ajouté, comme on peut le voir en regardant tous les éléments. La première colonne du premier DataFrame a la première valeur «1» et lorsque vous ajoutez «1» de plus, le résultat est «2», comme vous pouvez observer. La valeur de la première colonne dans la transformée de données est «2» et, par conséquent, tout cela a été ajouté. Le DataFrame a une taille d'index de «5», qui varie de «0 à 4».

Exemple 2: Soustraire chaque élément de DataFrame en utilisant la méthode Transform ()

Cet exemple est identique au premier, mais dans ce cas, la condition de la fonction lambda est modifiée. Dans ce cas, nous allons soustraire «1» de chaque élément présent dans un dataframe individuellement en utilisant la méthode «transform ()».

Nous devons d'abord importer la bibliothèque Panda en tant que «PD» avant que ce code ne s'exécute. La création d'une dataframe «DF» est la prochaine étape. Il y a quatre colonnes dans ce Dataframe «First», «Second», «Troisième» et «Quatrième». Nous avons donné à ces colonnes certaines valeurs. Nous avons les chiffres «3», «4», «5» et «9» pour la «première» colonne. La colonne «Second» a les nombres «2», «7», «8», «15» et «10» dedans. La colonne «troisième» contient les chiffres «19», «11», «13», «12» et «18» et la colonne «quatrième» contient les chiffres «22», «29», «34» », 24 "Et" 22 ". Maintenant, nous créons cette dataframe à l'aide de «PD.DataFrame », et nous utilisons également la fonction« print () »pour les afficher à l'écran.

En ce moment, nous utilisons la méthode «transform ()» avec son paramètre «func», et à l'intérieur, nous appliquons une condition en utilisant la fonction «Lambda ()». La condition est «A-1», ce qui signifie qu'elle soustrait «1» de chaque valeur des données dans les colonnes, puis affichera les valeurs comme une autre données de données, que nous appelons une fragmentation de données transformée. Par conséquent, en utilisant la méthode «print ()», nous afficherons ce DataFrame transformé.

Jetons maintenant un œil à notre affichage de sortie, où deux dataframes sont visibles. La valeur initiale de la «première» colonne de notre première dataframe est «3» et la dernière de la quatrième colonne est «22» cependant, si nous utilisons la fonction de transformation avec la condition lambda, qui est la soustraction de 1, nous Observera que toutes les valeurs de la dataframe transformée, qui est la deuxième dataframe, sont soustraites avec succès. Depuis que les premières et dernières valeurs sont passées à «2» et «21», respectivement, toutes les autres valeurs entre elles ont également été soustraites et modifiées.

Exemple 3: Diviser chaque membre DataFrame par deux en utilisant une condition lambda et la méthode transform ()

Dans cet exemple, nous utiliserons «transform ()» pour diviser chaque numéro sur toutes les colonnes. Nous utilisons le paramètre «Func» de la méthode Transform () avec une condition lambda. En utilisant la fonction «lambda ()» dans les pandas, nous sommes autorisés à «ajouter», «soustraire», «diviser», «multiplier» et effectuer d'autres opérations mathématiques.

Nous créons maintenant nos données «DF» après avoir importé des pandas comme «PD». Ici, nous avons quatre colonnes comme dans l'exemple précédent «W», «X», «Y» et «Z». De plus, ces colonnes sont présentées avec certaines valeurs. La première colonne représente les valeurs «4», «8», «16», «20» et «6», tandis que la deuxième colonne contient les valeurs «2», «12», «8», «14», et «10», tandis que la troisième colonne contient les valeurs «8», «2», «19», «20» et «22» et dans la colonne finale, nous avons les valeurs «26», «28», "34", "24" et "22". Initialement, nous créons cette dataframe avec «PD.dataframe »et afficher à l'écran avec la fonction« print () ».

Nous utilisons actuellement la méthode principale de notre programme, «Transform ()» pour diviser chacun des nombres en colonnes. Ainsi, nous appliquons la condition lambda «A / 2» au paramètre «Func» qui est égal à Lambda. Par conséquent, «A» décrit chaque valeur présente dans le dataframe. Il divisera chacun des nombres présents en colonnes une par une. Le dataframe transformé a ensuite été affiché à l'écran.

Actuellement, la première dataframe que nous avons produite, indiquant ses valeurs, peut être vue en haut de l'affichage de sortie, et si nous regardons le deuxième DataFrame, toutes ses valeurs ont été transformées. L'opération de division est mise en œuvre efficacement, comme en témoigne le fait que la première valeur dans la fragmentation des données transformée est désormais «2» plutôt que la valeur initiale de Dataframe de «4», ce qui entraînerait une réponse de «2» si nous divisions « 4 par 2 ”. Comme on peut le voir, d'autres valeurs sont également divisées et transformées.

Conclusion

Dans cet article, nous appliquons la méthode «Transform ()» avec son paramètre «Func» pour transformer le dataframe à l'aide de «lambda». Nous pouvons voir que changer chaque élément de la dataframe est désormais assez facile. Dans cet article, nous utilisons l'addition, la soustraction et la division des trois opérations mathématiques avec les paramètres «func» et lambda pour mettre à jour les valeurs du dataframe. Nous prévoyons que cet article nous aidera à terminer la mission transformée de notre panda.