Лабораторная работа 6 Индексаци, сортировка и фильтрация
жүктеу/скачать 184.93 Kb.
|
- Бұл бет үшін навигация:
- Индексы по осям с повторяющимися значениями
| Таблица 5.6. Способы обработки связанных рангов
DataFrame умеет вычислять ранги как по строкам, так и по столбцам: In [219]: frame = pd.DataFrame({'b': [4.3, 7, –3, 2], 'a': [0, 1, 0, 1], .....: 'c': [–2, 5, 8, –2.5]}) In [220]: frame Out[220]: a b c 0 0 4.3 –2.0 1 1 7.0 5.0 2 0 –3.0 8.0 3 1 2.0 –2.5 In [221]: frame.rank(axis='columns') Out[221]: a b c 0 2.0 3.0 1.0 1 1.0 3.0 2.0 2 2.0 1.0 3.0 3 2.0 3.0 1.0 Индексы по осям с повторяющимися значениями Во всех рассмотренных до сих пор примерах метки на осях (значения индекса) были уникальны. Хотя для многих функций pandas (например, reindex) требуется уникальность меток, в общем случае это необязательно. Рассмотрим небольшой объект Series с повторяющимися значениями в индексе: In [222]: obj = Series(range(5), index=['a', 'a', 'b', 'b', 'c']) In [223]: obj Out[223]: a 0 a 1 b 2 b 3 c 4 О том, являются значения уникальными или нет, можно узнать, опросив свойство is_unique: In [224]: obj.index.is_unique Out[224]: False Выборка данных – одна из основных операций, поведение которых меняется в зависимости от наличия или отсутствия дубликатов. При доступе по индексу, встречающемуся несколько раз, возвращается объект Series, если же индекс одиночный, то скалярное значение: In [225]: obj['a'] Out[225]: a 0 a 1 dtype: int64 In [226]: obj['c'] Out[226]: 4 Это иногда усложняет код, поскольку тип, получающийся в результате индексирования, может зависеть от того, повторяется метка или нет.Такое же правило действует и для доступа к строкам в DataFrame: In [227]: df = DataFrame(np.random.randn(4, 3), index=['a', 'a', 'b', 'b']) In [228]: df Out[228]: 0 1 2 a 0.274992 0.228913 1.352917 a 0.886429 –2.001637 –0.371843 b 1.669025 –0.438570 –0.539741 b 0.476985 3.248944 –1.021228 In [229]: df.ix['b'] Out[229]: 0 1 2 b 1.669025 –0.438570 –0.539741 b 0.476985 3.248944 –1.021228 жүктеу/скачать 184.93 Kb. Достарыңызбен бөлісу:
|