Pandas y condición
Sintaxis
DF [(cond_1) y (cond_2)]Ejemplo 01
Hacemos estos códigos en la aplicación "Spyder" y utilizaremos el operador "y" en nuestras condiciones en "Pandas" aquí. Mientras estamos haciendo los códigos PANDAS, primero debemos importar los "Pandas como PD" y obtendremos su método colocando solo "PD" en nuestro código. Luego generamos un diccionario con el nombre "cond", y los datos que insertamos aquí son "A1", "A2" y "A3" son los nombres de la columna, y agregamos "1, 2 y 3" en el "" A1 ", en" A2 "hay" 2, 6 y 4 "y el último" A3 ", contiene" 3, 4 y 5 ".
Luego nos estamos moviendo para hacer el marco de datos de este diccionario utilizando el "PD.DataFrame ”aquí. Esto devolverá el marco de datos de los datos del diccionario anterior. También lo representamos proporcionando la "impresión ()" aquí, y después de esto, aplicamos algunas condiciones y también utilizamos el operador "&" en esta condición. La primera condición aquí es que "A1> = 1", y luego colocamos el operador "&" y colocamos otra condición que es "A2 = 1" y también "A2 < 5”. If both conditions are satisfied here, then it will display the result, and if any one of them is not satisfied here, then it will not display any data.
Comprueba las columnas "A1" y "A2" de DataFrame y luego devuelve el resultado. El resultado se muestra en la pantalla porque utilizamos la instrucción "print ()".
El resultado está aquí. Muestra todos los datos que hemos insertado en DataFrame y luego verifica ambas condiciones. Devuelve esas filas en las que "A1> = 1" y también "A2 < 5”. We get two rows in this output because both conditions are satisfied in two rows.
Ejemplo 02
En este ejemplo, creamos directamente el marco de datos después de importar los "Pandas como PD". El marco de datos del "equipo" se crea aquí, con los datos que contienen cuatro columnas. La primera columna es la columna "Equipos" aquí en la que ponemos "A, A, B, B, B, B, C, C". Luego, la columna al lado de los "equipos" es "Score", en la que insertamos "25, 12, 15, 14, 19, 23, 25 y 29". Después de esto, la columna que tenemos es "fuera", y también agregamos datos como "5, 7, 7, 9, 12, 9, 9 y 4". Nuestra última columna aquí es la columna "Rebounds" que también contiene algunos datos numéricos, que es "11, 8, 10, 6, 6, 5, 9 y 12".
DataFrame se completa aquí, y ahora tenemos que imprimir este DataFrame, por lo que para esto, colocamos la "print ()" aquí. Queremos obtener algunos datos específicos de este marco de datos, por lo que establecemos algunas condiciones aquí. Tenemos dos condiciones aquí, y agregamos el operador "y" entre estas condiciones, por lo que devolverá solo aquellas condiciones que satisfarán ambas condiciones. La primera condición que hemos agregado aquí es el "puntaje> 20" y luego coloca el operador "&" y la otra condición que está "fuera == 9".
Por lo tanto, filtrará esos datos donde la puntuación del equipo es inferior a 20 y también sus outs son 9. Los filtra e ignora el restante, lo que no satisfará ambas condiciones ni a ninguna de ellas. También mostramos esos datos que satisfacen ambas condiciones, por lo que hemos utilizado el método "print ()".
Solo dos filas satisfacen ambas condiciones, que hemos aplicado a este marco de datos. Filtra solo aquellas filas en las que el puntaje es superior a 20, y también, sus outs son 9 y las muestran aquí.
Ejemplo 03
En nuestros códigos anteriores, solo insertamos los datos numéricos en nuestro DataFrame. Ahora, estamos poniendo algunos datos de cadena en este código. Después de importar el "pandas como pd", nos estamos moviendo para construir un marco de datos "miembro". Contiene cuatro columnas únicas. El nombre de la primera columna aquí es "Nombre", e insertamos los nombres de los miembros, que son "Aliados, Bills, Charles, David, Ethen, George y Henry". La siguiente columna se llama "ubicación" aquí, y tiene "América. Canadá, Europa, Canadá, Alemania, Dubai y Canadá ”en él. La columna "Código" contiene "W, W, W, E, E, E y E". También agregamos los "puntos" de los miembros aquí como "11, 6, 10, 8, 6, 5 y 12". Presentamos el marco de datos "miembro" con la utilización del método "print ()". Hemos especificado algunas condiciones en este marco de datos.
Aquí, tenemos dos condiciones, y al agregar el operador "y" entre ellas, solo devolverá las condiciones que satisfacen ambas condiciones. Aquí, la primera condición que hemos introducido es "ubicación == Canadá", seguida del operador "&", y la segunda condición, "Puntos <= 9”. It gets those data from the DataFrame in which both conditions are satisfied, and then we have placed “print ()” which displays those data in which both conditions are true.
A continuación puede notar que se extraen dos filas del DataFrame y se muestran. En ambas filas, la ubicación es "Canadá", y los puntos son inferiores a 9.
Ejemplo 04
Importamos tanto los "Pandas" como "Numpy" aquí como "PD" y "NP", respectivamente. Obtenemos los métodos de "pandas" colocando los métodos "PD" y "Numpy" colocando el "NP" donde sea necesario. Entonces el diccionario que hemos creado aquí contiene tres columnas. En la columna "Nombre" en la que insertamos "Aliados, George, Nimi, Samuel y William". A continuación, tenemos la columna "OBT_MARKS", que contiene las marcas obtenidas de los estudiantes, y esas marcas son "4, 47, 55, 74 y 31".
También creamos una columna para los "Prac_marks" aquí que tienen las marcas prácticas del estudiante. Las marcas que agregamos aquí son "5, 67, 54, 56 y 12". Hacemos el marco de datos de este diccionario y luego lo imprimimos. Aplicamos el "NP.Logical_and "aquí, que devolverá el resultado en forma" verdadera "o" falsa ". También almacenamos el resultado después de verificar ambas condiciones en una nueva columna, que hemos creado aquí con el nombre "pass_status".
Verifica que el "OBT_MARKS" es mayor que "40" y "Prac_Marks" es mayor que "40". Si ambos son verdaderos, entonces hará verdadero en la nueva columna; de lo contrario, hace falso.
La nueva columna se agrega con el nombre "pass_status", y esta columna consiste en solo "verdadero" y "falso". Hace que sea cierto donde las marcas obtenidas y también las marcas prácticas son mayores de 40 y falsas para las filas restantes.
Conclusión
El objetivo principal de este tutorial es explicar el concepto de "y condición" en "Pandas". Hemos hablado sobre cómo adquirir esas filas donde ambas condiciones están satisfechas, o también nos volvemos cierto para aquellos donde todas las condiciones están satisfechas y falsas para los restantes. Hemos explorado cuatro ejemplos aquí. Los cuatro ejemplos que hemos establecido en este tutorial han pasado por este proceso. Los ejemplos en este tutorial se han presentado cuidadosamente para su beneficio. Este tutorial debería ayudarlo a comprender esta idea más claramente.