Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies.



26.10.2020

Nowa wersja nVision

Można już pobierać nową wersję nVision
26.10.2020

Monitorowanie infrastruktury

Vertiv Environet Alert
23.10.2020

Telefonia w chmurze

NFON Cloudya
23.10.2020

Nowości w EDR

Bitdefender GravityZone
23.10.2020

Wykrywanie anomalii

Flowmon ADS11
23.10.2020

Mobilny monitor

AOC 16T2
22.10.2020

HP Pavilion

HP zaprezentowało nowe laptopy z linii Pavilion.
22.10.2020

Inteligentny monitoring

WD Purple SC QD101
22.10.2020

Przełącznik 2,5GbE

QNAP QSW-1105-5T

Python, wizualizacja danych

Data publikacji: 26-06-2018 Autor: Grzegorz Kubera

W tej części kursu poznajemy kolejne funkcje Pandas, które pozwolą jeszcze lepiej operować na danych. Opisujemy, jak wyodrębniać dane, wiązać je, a także tworzyć funkcje, które można na nich stosować.

Uruchamiamy z menu Start w Windows wiersz poleceń Anaconda Prompt i wpisujemy komendy: 

 
conda install numpy
conda install pandas
jupyter notebook 
 
Jeśli wcześniej zainstalowaliśmy biblioteki NumPy i Pandas, nie musimy instalować ich ponownie – wystarczy włączyć Jupytera. Jeżeli wyświetli się komunikat o dostępności nowszej wersji Anacondy, warto zainstalować aktualizację, wpisując polecenie:
 
conda update -n base conda
 
Po uruchomieniu Jupytera otwieramy notatnik w Pythonie 3 i wpisujemy komendy:
 
import numpy as np
import pandas as pd
 
Środowisko pracy jest przygotowane – można rozpocząć naukę nowych funkcji.
 
> ŁĄCZENIE I WIĄZANIE OBIEKTÓW DATAFRAME
 
Zaczynamy od stworzenia kilku przykładowych obiektów DataFrame (DF) na potrzeby ćwiczeń. Po zaimportowaniu Pandas tworzymy odpowiednie obiekty: 
 
df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']},
index=[0, 1, 2, 3])
df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
'B': ['B4', 'B5', 'B6', 'B7'],
'C': ['C4', 'C5', 'C6', 'C7'],
'D': ['D4', 'D5', 'D6', 'D7']},
index=[4, 5, 6, 7]) 
df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],
'B': ['B8', 'B9', 'B10', 'B11'],
'C': ['C8', 'C9', 'C10', 'C11'],
'D': ['D8', 'D9', 'D10', 'D11']},
index=[8, 9, 10, 11])
 
Teraz warto wpisać poszczególne obiekty DF, aby zobaczyć, jak są wyświetlane w Jupyterze. Zauważmy, że nazwy kolumn są takie same, natomiast wiersze mają nazwy od 0 do 3, od 4 do 7 oraz od 8 do 11. Celowo stworzyliśmy takie DF, aby zaprezentować możliwości konkatenacji, czyli wiązania dwóch wyrażeń (np. tekstowych) w jedno. W naszym ćwiczeniu konkatenacja powiąże ze sobą obiekty DF. Korzystając z tej funkcji, trzeba pamiętać, że DF powinny mieć takie same wymiary wzdłuż osi, którą decydujemy się połączyć. Aby skorzystać z funkcji, wpisujemy pd.concat() i przekazujemy listę obiektów DF do łączenia:
 
pd.concat([df1,df2,df3])
 
[...]
 
Założyciel i dyr. generalny firmy doradczo-technologicznej, pełnił funkcję redaktora naczelnego w magazynach i serwisach informacyjnych z branży ICT. Dziennikarz z ponad 10-letnim doświadczeniem i autor książki nt. tworzenia startupów

Pełna treść artykułu jest dostępna w papierowym wydaniu pisma.

.

Transmisje online zapewnia: StreamOnline

All rights reserved © 2019 Presscom / Miesięcznik "IT Professional"