Pandas para numpy

La "Biblioteca de análisis de datos de Python" es "Pandas". En "Pandas", la serie es fácil de generar, y también podemos convertirlos en matrices numpy. Se sugiere utilizar la matriz Numpy siempre que sea posible debido a su gestión integral de datos. Los datos pueden escalarse y normalizarse rápida y fácilmente utilizando matrices numpy, que se pueden usar para preparar los datos para capacitar modelos de aprendizaje automático. El paquete "Pandas" ofrece diferentes formas de transformar la serie en una matriz numpy. Discutiremos todos los métodos que nos ayudan a transformar la serie "pandas" en la "matriz numpy". Este artículo mostrará todas las formas posibles de cambiar la serie a una matriz Numpy y aplicará todos los métodos en nuestro código "Pandas" aquí.

Métodos para transformar la serie "Pandas" en "Numpy Array"

El "pandas" facilita tres métodos distintos que nos ayudan a transformar la serie "pandas" en la "matriz numpy". Estos métodos se discuten en esta sección:

• pandas.serie.función to_numpy ()
• pandas.serie.Propiedad de valores
• pandas.serie.propiedad de la matriz

Aplicaremos estos métodos a la serie "Pandas" para transformar la serie "Pandas" en la "matriz numpy". También mostraremos varios ejemplos en este artículo donde utilizamos estos métodos.

Ejemplo # 01

Estos códigos se presentan en este artículo utilizando la herramienta "Spyder". Para crear la serie "Pandas", debemos "importar" los módulos de "Pandas". Entonces, agregamos "importación", y con la ayuda de esta "importación", estamos importando los "pandas como pd". Entonces, creamos una serie colocando "PD.Serie "y agregó" Finlandia, Dinamarca, Hungría, Angola, Israel, China y América "en esta serie y también almacenó esta serie en la variable" Series_Data ". Tenemos el "print ()" en el que colocamos "series_data", por lo que esta serie se imprimirá en el terminal. Simplemente mostramos la serie, y después de mostrar la serie, convertiremos esta serie en la "matriz Numpy".

La serie se muestra aquí, ya que hemos ejecutado este código con la ayuda de las teclas "Shift+Enter". Tenga en cuenta que la serie contiene los valores de índice predeterminados. Avancemos para transformar esta serie en la matriz Numpy.

Estamos utilizando los "pandas.serie.método to_numpy () ", que cambiará la serie a la matriz numpy. Hemos agregado una variable de "matriz" para almacenar la matriz Numpy, que obtenemos después de aplicar los "Pandas.serie.función to_numpy () ”. Colocamos el nombre de la serie, que es "series_data", y luego el método "to_numpy ()". Entonces, esta serie se convierte en la matriz Numpy. También queremos mostrar esta matriz numpy, por lo que hemos agregado la variable "matriz" en la "print ()".

La serie anterior ahora se transforma en la matriz numpy y también se muestra en este resultado. La matriz Numpy no contiene los valores de índice como se muestra aquí:

Ejemplo # 02

Hemos utilizado dos bibliotecas, "Pandas" y "Numpy". La serie que hemos creado es el "Job_data" usando "PD.Serie ", y contiene" Freelancer, ingeniero de software, médico, escritor técnico, maestro, instructor y constructor ". Primero imprimimos esta serie "Job_data", y luego convertimos la serie "Job_data" en la matriz Numpy colocando el "NP.método array () "y agregarle el nombre de la serie, y también colocando la" matriz "con el nombre de la serie dentro de esta función. Esto transformará la serie "Job_data" en la "matriz Numpy" y la guardará en "Job_array". Luego, pasamos "Job_array" al "Imprimir".

La serie y la matriz Numpy se muestran en esta salida. Tenga en cuenta que la serie contiene los valores de índice, pero la matriz Numpy no tiene los valores de índice.

Ejemplo # 03

La serie "fruits_data" en este código contiene "mulberry, date palm, cereza, naranja, durazno, albaricoque, oliva, manzana, pera y sandía". Luego escribimos "imprimir ()" y le agregamos "fruits_data". Después de esto, transformamos la serie "fruits_data" en la matriz Numpy con la ayuda del método "to_numpy ()". Esta matriz numpy también se almacena en "Fruits_Array", y el "Fruits_Array" se agrega a "imprime ()".

Aquí están la serie "Pandas" y la matriz Numpy en el resultado del código anterior. También puede observar las diferencias de la serie y la matriz numpy aquí:

Ejemplo # 04

Aquí, hemos usado bibliotecas "Numpy" y "Pandas". Utilizando "PD.Serie ", hemos construido una serie llamada" Datos "que incluye" AY123, AY678, AY876, AY908, AY987, AY912, AY456 y AY012 ". La serie "Data" se imprime primero, y luego se transforma en una matriz Numpy utilizando el "NP.método array () ", agregando el nombre de la serie y luego" valores ". También estamos almacenando la matriz Numpy en la variable "New_Array". La serie "Data" se transformará en la "matriz numpy" y se guardará en el "new_array."El" new_array "se pasa a la" impresión ".

Esta salida dada muestra tanto la serie como la matriz Numpy. Tenga en cuenta que la matriz Numpy carece de los valores de índice, pero la serie contiene valores de índice.

Ejemplo # 05

Ahora, estamos creando el marco de datos "S_DF" colocando el método "Pandas", que es "DataFrame ()" en este caso. Hemos agregado diferentes columnas, y cada columna del marco de datos también se llama la serie. Hemos agregado "nombre" que contiene "Roman, Collins, Ethan, Poppy, Edward, Archie, Benjamin y Bromley". Luego, las "marcas" vienen a continuación, agregando "278, 344, 239, 310, 485, 298, 453 y 670". A continuación, hemos insertado "37%, 54%, 15%, 59%, 76%, 34%, 61%y 80%" en la columna "Porcentaje". Escribimos "imprimir ()" y le agregamos "S_DF". Entonces, el "S_DF" se mostrará.

Ahora, estamos convirtiendo dos columnas de DataFrame en la matriz Numpy porque también hemos discutido que la columna del DataFrame es también la serie de "Pandas". Primero convertimos la serie "Nombre" en la matriz Numpy usando "NP.matriz "y agregar" s_df "marco de datos con la columna" nombre "y luego escribir" valores "con ella. Hemos guardado esta matriz numpy en la variable "my_array1" y luego la mostramos. Aplicamos el mismo método, pero esta vez hemos mencionado la columna "Marcas" del DataFrame para convertirlo en la matriz Numpy. Esta segunda matriz Numpy se guarda en "my_array2" y se agrega a la "impresión" para el renderizado.

El marco de datos se presenta primero. Luego, la columna "Nombre" o la serie "Nombre" se convierte en la matriz Numpy y se muestra. Además, la columna "Marcas" se convierte en la matriz numpy y se presenta aquí.

Ejemplo # 06

Ahora, leeremos el archivo CSV aquí y luego convertiremos sus datos en DataFrame and Series. Además, la serie en la matriz Numpy. El "file_data" se inicializa con el "PD.read_csv () "método, y la ruta del archivo CSV se ingresa en él. Estamos leyendo el "archivo.CSV ", y este método convierte los datos del archivo en DataFrame y los almacena en el" file_data ". También agregamos el método "dropna ()", que eliminará los valores nulos si está presente en este marco de datos.

Ahora usamos "Imprimir", y después de esto, utilizamos el "PD.Método series () "y agregue el nombre de DataFrame y una columna del DataFrame, que es" s_location ". Esto lo convertirá en una serie y lo guardará en "my_series". Estamos aplicando el método "to_numpy ()" para convertir los datos "s_location" en la matriz Numpy, y el método "to_numpy" se agrega en "imprimir", por lo que también se mostrará.

Los datos que obtenemos después de leer el archivo ".CSV "se muestra en el formulario de DataFrame, y luego una de sus columnas," S_location ", se convierte en la matriz Numpy.

Conclusión

En este artículo, hemos discutido la matriz numpy en "Pandas". Aquí, hemos explicado el uso de diferentes métodos para transformar una serie "Pandas" en la matriz Numpy. Hemos analizado las ideas de convertir la serie en una matriz numpy y también convertir las columnas del marco de datos en una matriz Numpy. Además, este artículo demostró cómo manejar los valores nulos al transformar una serie en una matriz numpy. En este tutorial, utilizamos tres métodos distintos, que facilitan enormemente la conversión de la serie en la matriz numpy. Este concepto se ha explicado a fondo aquí.