Datavisualisering er teknikken som brukes til å levere innsikt i data ved hjelp av visuelle signaler som grafer, diagrammer, kart og mange andre. Dette er nyttig ettersom det hjelper med intuitiv og enkel forståelse av de store datamengdene og derved ta bedre beslutninger angående det. Når vi bruker et stort antall av et datasett, avkortes det. I denne artikkelen skal vi se hvordan du skriver ut hele Pandas dataramme eller serier uten trunkering.
Skriv ut en hel Pandas DataFrame i Python
Som standard skrives ikke hele datarammen ut hvis lengden overskrider standardlengden, utdataene avkortes som vist nedenfor:
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)> |
>
>
Produksjon:
Det er 4 metoder for å skrive ut hele pandaens dataramme:
- Bruk to_string()-metoden
- Bruk pd.option_context()-metoden
- Bruk pd.set_options()-metoden
- Bruk pd.to_markdown()-metoden
Metode 1: Bruk to_string()
Selv om denne metoden er enklest av alt, er den ikke tilrådelig for veldig store datasett (i rekkefølge på millioner) fordi den konverterer hele datarammen til et strengobjekt, men fungerer veldig bra for datarammer for størrelse i størrelsesorden tusenvis.
Syntaks: DataFrame.to_string(buf=Ingen, columns=Ingen, col_space=Ingen, header=True, index=True, na_rep='NaN', formatters=Ingen, float_format=Ingen, index_names=True, justify=Ingen, max_rows=Ingen, max_cols=Ingen, show_dimensions=False, desimal='.', line_width=Ingen)
Eksempel: I dette eksemplet bruker viload_iris>funksjon fra scikit-learn for å laste inn Iris-datasettet, og lager deretter en pandas DataFrame (df>) som inneholder datasettfunksjonene, og til slutt konverterer hele DataFrame til en strengrepresentasjon ved hjelp av to_string()> og viser den.
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())> |
konverter java-objekt til json
>
>
Produksjon:
Metode 2: Bruke pd.option_context()
Pandaer tillater å endre innstillinger via option_context() metode og set_option() metoder. Begge metodene er identiske med én forskjell at man senere endrer innstillingene permanent og førstnevnte gjør det kun innenfor kontekstbehandlingsområdet.
Syntaks: pandas.option_context(*args)
Eksempel: I dette eksemplet bruker vi Iris-datasettet fra scikit-learn, lager en pandas DataFrame (df>) med spesifiserte formateringsalternativer, og skriver ut DataFrame i en midlertidig kontekst der visningsinnstillinger, for eksempel maksimale rader, kolonner og presisjon, bare endres for lokalt omfang.
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)> |
>
nginx-variabler
>
Produksjon:
Metode 3: Bruke pd.set_option()
Denne metoden ligner pd.option_context()-metoden og tar de samme parameterne som diskutert for metode 2, men i motsetning til pd.option_context() omfang og effekt er på hele skriptet, det vil si at alle datarammeinnstillingene endres permanent
For å eksplisitt tilbakestille verdien bruk pd.reset_option('alle') metoden må brukes for å tilbakestille endringene.
Syntaks: pandas.set_option(pat, verdi)
Eksempel: Denne koden endrer globale panda-visningsalternativer for å vise alle rader og kolonner med ubegrenset bredde og presisjon for den gitte DataFrame (df>). Den tilbakestiller deretter alternativene til standardverdiene og viser DataFrame igjen, som illustrerer gjenopprettingen av standardinnstillingene.
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)> |
>
>
Produksjon:
Metode 4: Bruk to_markdown()
Denne metoden ligner på to_string()-metoden ettersom den også konverterer datarammen til et strengobjekt og legger til stiling og formatering til den.
Syntaks: DataFrame.to_markdown(buf=Ingen, mode=’wt’, index=True,, **kwargs)
Eksempel: Denne koden bruker Iris-datasettet fra scikit-learn for å lage en pandas DataFrame (df>), og deretter skriver den ut en formatert Markdown-representasjon av DataFrame ved å bruke to_markdown()>metode .
Python3
ternær operatør java
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())> |
>
>
Produksjon: