Pandas DataFrame consulta
Sintaxe:
Quadro de dados.consulta (expr, inplace = false, ** kwargs)Aqui, colocamos a condição como o primeiro parâmetro do método "consulte ()". O lugar é opcional. Se não adicionarmos isso, seu valor padrão será "falso", que é ajustado automaticamente. Também podemos defini -lo como "true", que atualiza o DataFrame.
Agora, passamos a utilizar o método "Query ()" em pandas neste guia e explicaremos aqui.
Exemplo 1:
Demonstarte o método "Query ()" em pandas neste guia. Usamos o aplicativo "Spyder" para escrever o código de pandas. Estamos cientes de que devemos importar alguns métodos de pandas como "PD". Desenvolvemos o "list_data" e colocamos o "p_name" e o "p_age" no "list_data". O "P_Name" contém "Smith, Oscar, Mary, Theo, Teddy e John". O "P_AGE" contém "50, 33, 56, 29, 45 e 30". Mudamos a lista aninhada "list_data" no quadro de dados "my_df". Nós alteramos isso no DataFrame porque temos que aplicar o método "Query ()" ao DataFrame. Portanto, este "my_df" é criado aqui, que também é exibido, pois o inserimos na seguinte função "print ()".
Agora, utilizamos o método "Query ()" para extrair alguns dados. Temos os dados cuja idade é maior que 30. Para isso, adicionamos a condição no método “consulsão ()” e usamos esse método dentro da impressão. O resultado também renderiza para nós. Agora, filtra os dados cuja idade é maior que 30 e os exibe na saída.
Existem dois métodos para executar o código desejado enquanto compilamos e o executamos em "Spyder". Um deles é pressionar o “Shift+Enter”. O outro método é usar o ícone "Run" do aplicativo "Spyder" para realizar o código. Obtemos a saída especificada após a execução. Primeiro, o quadro de dados completo é renderizado. Em seguida, filtramos os dados deste quadro de dados cuja idade é maior que 30. Os dados filtrados também são mostrados no seguinte. Filtamos esses dados apenas usando o método "Query ()" em pandas.
Exemplo 2:
Criamos uma lista aninhada "Player_data" e adicionamos uma coluna "Player_name", onde temos "Emma, Samuel, Robert, Smith, Noah, Jessica e Harper". Em seguida, adicionamos a coluna "Player_age", que possui "22, 26, 21, 25, 29, 24 e 28". Então, vem a coluna "Score_1" que contém "29, 28, 16, 17, 35, 20 e 15". A coluna “Score_2” contém “28, 45, 49, 62, 70, 55 e 40”. O "Score_3" contém "24, 13, 59, 62, 72, 64 e 66". E o último que temos é a coluna "Score_4", que possui "38, 44, 69, 72, 81, 71 e 79". Esta lista de "player_data" é transformada no quadro de dados usando o método pandas. Nomeamos este DataFrame como "player_df".
À medida que adicionamos o "player_df" à seguinte função "print ()" e exibir. Agora, incluímos a condição na função "consulte ()" e utilizamos esse método dentro do método print () para adquirir os dados cujos "score_1" são mais de 20. Nós o colocamos em "impressão", o que também torna o resultado para nós. Os dados cujo "score_1" é superior a 20 agora é filtrado e exibido no console.
Como você pode ver, existem apenas três linhas nas quais o "Score_1" é maior que 20. Portanto, este método "Query ()" renderiza esses dados na tela depois de exibir o quadro de dados completo.
Exemplo 3:
O "frutt_data" é criado. O "Fruit_name" e "Fruit_quantity" são adicionados. A “maçã, laranja, manga, maçã, banana, maçã, lichia e maçã” estão listadas em “frutits_name”. Suas quantidades que são “5kg, 7kg, 2kg, 4kg, 5kg, 7kg, 2kg e 4kg” estão listadas em “Fruits_quantity”. Transformamos a lista aninhada "FRUITS_DATA" no DataFrame "FRUITS_DF."Este" FRUITS_DF "é formado aqui e também é exibido desde que o inserimos na seguinte função" print () ". Agora, filtramos alguns dados usando a técnica “consulsão ()”. Queremos filtrar a "maçã" deste quadro de dados, então colocamos a condição em que o "FRUITS_NAME" é igual a "Apple". Também exibimos as "maçãs" no terminal.
Nesse resultado, depois de renderizar todo o quadro de dados, as linhas que contêm a “maçã” são filtradas. Os dados filtrados também são exibidos na seguinte ilustração. Usamos o método Pandas query () para filtrar esses dados.
Exemplo 4:
Desenvolvemos a lista aninhada "Result_9th" depois de importar o método pandas. Adicionamos uma coluna de "nome" à nossa lista aninhada "Result_9th" e a preenchem com "Samuel, George, James, Melissa, William, Farnham e Smith". A coluna “SubJ1” contém os valores “47, 30, 54, 71, 68, 16 e AB”. O "subj2" é então adicionado com os seguintes valores: "81, 23, 48, 34, 21, 15 e ab". A coluna “Subj3” contém os seguintes valores: “29, 14, 28, 55, 29, 27 e AB”. A coluna "Subj4" contém os seguintes valores: “59, 27, 58, 75, 59, 17 e AB”. O “SubJ5” contém os seguintes valores: “90, 4, 82, 85, 95, 22 e AB”. Em seguida, também adicionamos a coluna "Pass/Fail", que contém o status "Pass" e "Fail" dos alunos.
Usamos a técnica de pandas aqui para converter esta lista "Result_9th" em um quadro de dados que chamamos de "resultado_9º_df ”. O “resultado_9º_df ”é renderizado como resultado de nossa adição ao seguinte método“ print () ”. Agora, filtramos os dados do aluno cujo nome é "James". Colocamos esse nome como a condição do método “consulsão ()”. Colocamos o nome da coluna "Nome" e o igualamos a "James". Em seguida, armazenamos os dados do aluno "James" no "DF2". Em seguida, colocamos este "df2" na "impressão" para exibir os dados de "James".
O primeiro dataframe contém o resultado de 7 alunos que adicionamos ao quadro de dados. Extraímos os dados "James" deste DataFrame. Dessa forma, podemos extrair ou filtrar facilmente os dados que queremos obter do quadro de dados em pandas.
Conclusão
Este guia está aqui para explorar o método “consulsão ()” em pandas. Demonstramos exemplos diferentes neste guia e explicamos cada um deles em detalhes para fornecer a você um entendimento adequado do método “consulsão ()”. Discutimos a utilização do método “consulte ()” para filtrar os dados específicos do DataFrame. Para seu benefício, cada exemplo neste guia e a sintaxe deste método "Query ()" são cuidadosamente apresentados aqui. Você deve aprender este conceito de “consulta ()” em pandas com a ajuda deste guia.