Vizualizace dat je technika používaná k poskytování náhledů na data pomocí vizuálních vodítek, jako jsou grafy, grafy, mapy a mnoho dalších. To je užitečné, protože pomáhá intuitivně a snadno porozumět velkému množství dat a tím se o nich lépe rozhodovat. Když použijeme tisk velkého počtu datové sady, pak se zkrátí. V tomto článku se podíváme, jak vše vytisknout Dataframe Pandas nebo Série bez zkrácení.
Vytiskněte celý Pandas DataFrame v Pythonu
Ve výchozím nastavení se celý datový rámec nevytiskne, pokud délka překročí výchozí délku, výstup je zkrácen, jak je uvedeno níže:
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> # Loading irirs dataset> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> display(df)> |
>
>
Výstup:
Existují 4 způsoby tisku celého datového rámce pandy:
- Použijte metodu to_string().
- Použijte metodu pd.option_context()
- Použijte metodu pd.set_options().
- Použijte metodu pd.to_markdown().
Metoda 1: Použití to_string()
I když je tato metoda nejjednodušší ze všech, není vhodná pro velmi velké datové sady (v řádu milionů), protože převádí celý datový rámec na objekt typu string, ale funguje velmi dobře pro datové rámce pro velikost v řádu tisíců.
Syntax: DataFrame.to_string(buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, index_names=True, justify=None, max_rows=None, max_cols=None, show_dimensions=False, decimal='.', line_width=None)
Příklad: V tomto příkladu používámeload_iris>funkce ze scikit-learn načte datovou sadu Iris a poté vytvoří pandas DataFrame (df>) obsahující funkce datové sady a nakonec převede celý DataFrame na řetězcovou reprezentaci pomocí to_string()> a zobrazí jej.
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # Convert the whole dataframe as a string and display> display(df.to_string())> |
odstranění ze seznamu polí
>
>
Výstup:
Metoda 2: Použití pd.option_context()
Pandy umožňují změnu nastavení prostřednictvím option_context() metoda a set_option() metody. Obě metody jsou totožné s jedním rozdílem, že později se nastavení mění trvale a první to dělá pouze v rámci kontextového manažera.
Syntaxe: pandas.option_context(*args)
Příklad: V tomto příkladu používáme datovou sadu Iris ze scikit-learn, vytváříme pandas DataFrame (df>) se zadanými možnostmi formátování a vytiskne DataFrame v dočasném kontextu, kde jsou nastavení zobrazení, jako je maximální počet řádků, sloupců a přesnost, upravena pouze pro místní rozsah.
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # The scope of these changes made to> # pandas settings are local to with statement.> with pd.option_context(>'display.max_rows'>,>None>,> >'display.max_columns'>,>None>,> >'display.precision'>,>3>,> >):> >print>(df)> |
>
>
Výstup:
Metoda 3: Použití pd.set_option()
Tato metoda je podobná metodě pd.option_context() a přebírá stejné parametry, jaké byly popsány u metody 2, ale na rozdíl od pd.option_context() rozsah a účinek je na celý skript, tj. všechna nastavení datových rámců jsou trvale změněna
menu nastavení pro android
Chcete-li explicitně resetovat hodnotu, použijte pd.reset_option(‚vše‘) musí být použita metoda k vrácení změn.
Syntaxe: pandas.set_option(pat, hodnota)
Příklad: Tento kód upravuje globální možnosti zobrazení pandy tak, aby zobrazoval všechny řádky a sloupce s neomezenou šířkou a přesností pro daný DataFrame (df>). Poté obnoví možnosti na jejich výchozí hodnoty a znovu zobrazí DataFrame, ilustrující obnovení výchozích nastavení.
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=> data.feature_names)> # Permanently changes the pandas settings> pd.set_option(>'display.max_rows'>,>None>)> pd.set_option(>'display.max_columns'>,>None>)> pd.set_option(>'display.width'>,>None>)> pd.set_option(>'display.max_colwidth'>,>->1>)> # All dataframes hereafter reflect these changes.> display(df)> print>(>'**RESET_OPTIONS**'>)> # Resets the options> pd.reset_option(>'all'>)> display(df)> |
>
>
Výstup:
Metoda 4: Použití to_markdown()
Tato metoda je podobná metodě to_string(), protože také převádí datový rámec na objekt typu string a také k němu přidává styl a formátování.
Syntaxe: DataFrame.to_markdown(buf=None, mode=’wt’, index=True,, **kwargs)
Příklad: Tento kód používá datovou sadu Iris ze scikit-learn k vytvoření pandas DataFrame (df>) a poté vytiskne formátovanou reprezentaci Markdown DataFrame pomocí to_markdown()>metoda .
Python3
import> numpy as np> from> sklearn.datasets>import> load_iris> import> pandas as pd> data>=> load_iris()> df>=> pd.DataFrame(data.data,> >columns>=>data.feature_names)> # Converts the dataframe into str object with formatting> print>(df.to_markdown())> |
inttostr java
>
>
Výstup: