Rango de pandas
Sintaxis
Marco de datos.rango (axis = 0, método = "promedio", numeric_only = none, na_option = "Keep", ascending = true/false, pct = false)
Ejemplo # 01
Spyder es la herramienta que estamos utilizando para crear estos códigos de "pandas" que están presentes en esta guía. Importar las bibliotecas es el primer paso que debemos dar al escribir el código "Pandas". La palabra clave "import" se utiliza para importar la biblioteca. La biblioteca "pandas" es la biblioteca que debe importarse. Después de escribir la "importación", escribimos "Pandas como PD" aquí. Después de esto, creamos DataFrame. El "PD" muestra que el "DataFrame ()" es el método de "Pandas", que obtenemos aquí escribiendo "PD" con este método "DataFrame ()".
La primera columna es la columna "Nombre", y en esta columna, insertamos "Los Ángeles, Nueva York, Francia, Chicago, Denver, Delhi, París, Estambul y Boston". Luego agregamos la columna "Parques", que contiene el número de parques como "45, 58, 82, 90, 64, 75, 44, 81 y 59". Tenemos dos columnas más aquí que son "hospitales" y "escuelas". En la columna "Hospitales", agregamos "125, 115, 92, 100, 84, 105, 98, 99 y 159" y en la columna "Escuelas", agregamos "95, 158, 182, 99, 74, 115, 104, 81 y 99 ". Ahora, utilizamos el método "print ()" para mostrar este marco de datos.
Podemos ver fácilmente la salida de nuestros códigos cuando hacemos clic en el icono "Ejecutar" en la herramienta "Spyder". Aquí está el resultado de este código, y se puede ver que solo el marco de datos que hemos creado se muestra en este resultado. Ahora, usaremos el método "Rank ()" para obtener el rango de los datos numéricos.
Primero creamos la nueva columna aquí colocando el nombre de DataFrame, e insertamos el nuevo nombre de la columna, que es "Hospital_rank", aquí. Luego aplicamos el método "Rank ()" a la columna "Hospitales" y almacenamos el resultado en la nueva columna que hemos creado aquí. Después de esto, colocamos el nombre del DataFrame en la "impresión ()", por lo que la nueva columna también se agrega y se representa en la pantalla.
Da el rango a los datos de "hospitales" y lo muestra en otra columna que hemos creado anteriormente. Muestra los valores de rango. Da el valor de rango "1" a los valores más pequeños, y luego en.
También aplicamos este método "Rank ()" a la columna "Escuelas" y almacenamos los valores de rango en la columna "School_Rank" aquí. No pasamos ningún parámetro a esta función "rango ()", por lo que dará el rango a los valores de la columna "escuelas" en orden ascendente.
La columna "School_Rank" se muestra aquí, y en esta columna, se mencionan los valores de rango. Estos son los valores de rango de la columna "escuelas" porque aplicamos este método a la columna "escuelas".
Ejemplo # 02
Aquí, se crea "School_DF". Usamos "PD.DataFrame () "para generar el marco de datos en" pandas "y, como resultado, se creó este marco de datos. Además, agregamos algunas columnas, y estas columnas también tienen datos en ellas. La columna que agregamos primero es la columna "Nombre". Entonces "Ressese, Collins, Layla, Cora, Bromley, Ellis, Kelly y Bromley" están presentes en esta columna. La siguiente columna, OBT_MARKS "es donde agregamos" 150, 334, 39, 376, 585, 190, 453 y 669 ". Aquí, la tercera columna está etiquetada como "OBT_PER", e ingresamos los porcentajes "30%, 55%, 10%, 58%, 75%, 33%, 62%y 81%" en él.
Luego tenemos la columna "calificar". Incluye los siguientes datos "no promovidos, promovidos, no promovidos, promovidos, promovidos, no promovidos, promovidos, promovidos". Ahora, imprimimos este marco de datos, y luego agregamos una nueva columna con el nombre "Student_Rank" en este DataFrame y aplicamos la función "Rank ()" a la columna "OBT_MARKS". También establecemos el valor del parámetro "ascendente" en "falso".
Cuando este método "Rank ()" se aplica a los datos de la columna "OBT_Marks", entonces guarda los valores de "Rango" en la columna "Student_Rank", que se agrega aquí a este marcado de datos. Luego imprimimos el DataFrame nuevamente, que también contiene la columna "School_Rank".
La columna "Student_Rank" también se muestra en el cuadro de datos actualizado, y muestra el rango de los valores de la columna "OBT_Marks" en orden descendente porque hemos establecido "Falso" como el valor del parámetro "Ascendente".
Ejemplo # 03
En este código, utilizamos el método "Rank ()" para obtener los valores de rango de la columna "Marcas de obtenimiento". Además, cambiamos el valor del parámetro "ascendente" a "verdadero". Cuando la columna "Student_Rank" de esta estructura de datos recibe datos de la columna "Marcas obtenidas" a través del método "rank ()", los valores de "rango" se guardan posteriormente aplicando el método "rank ()". El marco de datos se imprime una vez más aquí.
Establecemos "Verdadero" como el valor para la opción "Ascendente" en el método "Rank ()", por lo que la columna "Student_Rank", que está presente en el DataFrame modificado, muestra el rango de los valores de la columna "OBT_MARKS" en orden ascendente.
Ejemplo # 04
Ahora, estamos aplicando la función "Rank ()" y también clasificamos los datos después de obtener el valor de rango. Aquí, encontramos los valores de rango de los "Obts" de los estudiantes y no agregamos ningún parámetro a este método "Rank ()". Luego, después de obtener los valores de rango en orden ascendente, almacenamos los valores que obtenemos en la columna "Student_Rank" después de aplicar el método "Rank ()". Ordenamos estos valores con la ayuda del "ordenar.valores () "Método y coloque el nombre de la columna cuyos datos queremos ordenar en él, y este nombre de columna es" Student_Rank "aquí. También pusimos "verdadero" como el valor del parámetro "injunto". Luego imprimimos nuevamente el "School_DF", que devolverá la columna ordenada "Student_Rank".
Primero muestra los valores de rango frente a cada fila en la nueva columna, que es "Student_rank" aquí, y luego clasifica estos valores, que se representan en la columna "Student_Rank" y también muestra los valores clasificados y clasificados en los siguientes "School_DF."
Ejemplo # 05
Ahora, estamos aplicando el método "Rank ()" al archivo CSV. Para hacer esto, tenemos que leer el archivo CSV con la ayuda del "PD.método read () ". Entonces, ponemos este método aquí, que lee los datos del archivo CSV y lo guarda en la variable "My_Data" en forma de DataFrame. Luego, insertamos una columna de "rango de unidad", y los datos que obtenemos después de aplicar el método "rango ()" a la columna "Unidades" del archivo CSV se guardan en esta columna. Después de esto, utilizamos el "print ()" para mostrar el marco de datos junto con la nueva columna, que hemos agregado aquí.
Estos son los datos del archivo CSV, y también puede tener en cuenta que la columna "Unit Rank" se muestra aquí, que contiene los valores de rango, y obtenemos estos valores con la ayuda del método "Rank ()".
Conclusión
Esta guía tiene como objetivo describir la función de "rango de pandas" en detalle. Hemos descrito que utilizamos este método para encontrar el rango de los datos numéricos. También hemos utilizado el método "Rank ()" en nuestros códigos aquí y hemos demostrado los valores clasificados en orden ascendente y descendente. También ordenamos los valores de "rango" aquí en nuestros códigos y hemos explicado estos códigos y este método "rango ()" en detalle. También hemos aplicado este método "Rank ()" a los datos del archivo CSV y le explicamos cómo hacer esto. Esta guía ha descrito todo sobre el método "rango ()" de "pandas" con una explicación adecuada.