Pandas no en
Ejemplo # 01:
La herramienta "Spyder" se utiliza para escribir cada script de código que discutiremos en esta guía. Cada vez que queremos desarrollar un nuevo código "pandas", tenemos que importar algunos módulos "pandas". Estos se pueden importar simplemente siguiendo el término "importar" con la frase "Pandas como PD. Ahora, esa "PD" se ha agregado a este código cada vez que tenemos que acceder a las funciones "Pandas". Ahora, necesitamos crear DataFrame.
La variable "bruto_record" es donde agregamos algunos datos que queremos insertar en el marco de datos. Las fechas se agregan primero que son "12/08/22, 12/08/22, 13/08/22, 14/08/22, 15/08/22 y 17/08/22" en el "fechado". Luego, tenemos "nombre" en el que ponemos "bolígrafo, puntero, borrador, grapadora, escala y pegamento". Después de esto, agregamos la cantidad de estos artículos en la "cantidad" que son "18, 21, 36, 4, 15 y 9". También agregamos el precio en la columna "Precio" que es "350, 520, 220, 900, 90 y 250".
Ahora estamos insertando el "PD.DataFrame () "que ayuda a convertir este" bruto_record "en" raw_record_df ", que es el nombre de DataFrame. Luego inicializamos una variable llamada "valores" con algunos datos que son "bolígrafo, puntero, pegamento de pegamento". Después de esto, estamos aplicando el filtro "no en" para verificar algunos datos. Utilizamos este filtro "no en" con el método "isin ()". Para filtrar datos utilizando el método "no en", colocamos el signo "~". Puede ver a continuación que hemos mencionado el nombre del DataFrame primero y dentro de él, colocamos el nombre de la columna en el que queremos verificar los datos.
Colocamos el signo "~" antes de colocar el nombre de la columna con el nombre de DataFrame. Luego, colocamos el método "isin ()" después de esto y pasamos la variable "valores" a esta función "isin ()". Almacenamos el resultado que obtenemos después de aplicar esta función en la variable "restante_values". Ahora, colocamos el "restante_values" en la "impresión ()", por lo que se mostrará el resultado que obtenemos después de aplicar este filtro "no en".
Podemos obtener rápidamente los resultados de los códigos "Pandas" en el "Spyder" presionando "Shift+Enter" o el icono Ejecutar. El resultado de este código contiene DataFrame con todos los datos que le agregamos. Luego, filtra algunos datos y muestra esas filas en las que el "bolígrafo, el puntero y el pegamento de pegamento" no están presentes en la columna "Nombre". Filtramos este marco de datos con la ayuda del método de filtro "no en".
Ejemplo # 02:
El DataFrame de datos "pre_rank_record" se crea en este ejemplo que contiene columnas "Nombre, pre_rank y new_fee". Estas columnas también contienen algunos datos en ellas. En la columna "Nombre", hemos agregado "Stella, Tatum, George, Peter, Kenna y Lila". Luego, ponemos "Python, Base de datos, inteligencia artificial, Python, desarrollo web y Python" en la columna "Pre_Rank". Las tarifas que insertamos en la columna "Tarifa" son: "1300, 1900, 2000, 1300, 1500 y 1300". También imprimimos el "pre_rank_record" usando "print ()".
Después de completar este marco de datos, colocamos la variable "Valores1" y la inicializamos con dos nombres que son "Stella y George". Luego utilizamos el filtro "no en" para filtrar las columnas de "nombre" en las que los nombres no están en los valores que hemos agregado en la variable valores1. Significa que el nombre no es "Stella" ni "George". Colocamos el nombre de DataFrame, el símbolo "~" y el nombre del DataFrame junto con el nombre de la columna en el que queremos filtrar los datos. La columna donde tenemos que aplicar esta función es la columna "Nombre" y también colocamos el nombre de la variable "Values1" en el método "isin ()".
Ahora, también queremos filtrar datos de la columna "pre_rank". Para esto, inicializamos la variable "valores2" con algunos datos de la columna "pre_rank" que queremos filtrar desde la columna "pre_rank". Ahora, nuevamente colocamos el filtro "no en" para filtrar los datos y mostrar las filas restantes en las que la "pitón" no está presente en la columna "pre_rank". Después de esto, también utilizamos el filtro "no en" para filtrar los datos de la última columna que es "New_fee". Colocamos la variable "valores3" e inicializamos el "valores3" con dos valores que hemos agregado en la columna "new_fee". Luego, imprimimos los valores restantes en los que no están presentes los valores "valores3".
Muestra el marco de datos, primero, en este resultado. Luego, muestra el DataFrame que hemos ingresado en el código anterior. Primero, muestra esas filas de DataFramewhere "Stella y George" que no están presentes en la columna "Nombre". Luego, muestra esas filas en las que el "Python" no está presente en la columna "Pre_Rank" y también muestra esas filas de DataFrame en las que "1300 y 2000" no están presentes en la última columna "New_fee".
Ejemplo # 03:
Utilizamos el marco de datos "Registro" que contiene los mismos datos que hemos agregado en el DataFrame de "pre_rank_record". Acabamos de cambiar el nombre de DataFrame aquí. Ahora, estamos filtrando datos utilizando el filtro "no en" con múltiples columnas del DataFrame de "pre_rank_record". Ponemos "Tatum, Kenna, 1900" en la variable "my_list1" donde "Tatum y Kenna" son los valores de la columna "Nombre" y "1900" es el valor de la columna "New_fee".
Como hemos agregado los valores de dos columnas diferentes en la variable "my_list1", también insertamos los nombres de ambas columnas a continuación donde utilizamos el filtro "No en". Después de agregar el nombre de DataFrame y el símbolo "~", colocamos los nombres de ambas columnas con el nombre del DataFrame. Luego, colocamos el método "isin ()" en el que pasamos la variable "my_list1". También colocamos "eje = 1" con esto.
Ahora, inicializamos otra variable que es la variable "my_list2" con "lila" e "inteligencia artificial". Aquí "Lila" es el valor de la columna "Nombre" y la "inteligencia artificial" es el valor de la columna "pre_rank". Después de esto, nuevamente utilizamos el filtro "no en" de la misma manera que hemos explicado en las líneas anteriores en este ejemplo.
Después de mostrar el cuadro de datos completo, solo hace que las filas en las que las filas no contienen "Tatum, Kenna y 1900" en las columnas "Nombre" y "New_fee". Luego, hace las filas donde no tenemos "Lila e inteligencia artificial" en las columnas "Nombre" y "Pre_Rank".
Conclusión
El filtro "no en" se explica en esta guía en detalle junto con los códigos y resultados de esos códigos. Hemos explicado cómo filtrar los datos utilizando el método "no en" y cuál es la mejor manera de usar este método en "Pandas". También hemos mostrado los códigos en los que hemos utilizado este filtro "no en" con el método "isin ()" y hemos explicado cada paso del código en detalle aquí. Hemos presentado los datos del marco de datos después de aplicar el método de filtro "no en" al marco de datos y hemos mostrado el marco de datos después de aplicar el filtro "no en" y he explicado que muestra los datos restantes del marco de datos en el que son los valores no presente que hemos mencionado en el método de filtro "no en".