La visualització de dades és la tècnica que s'utilitza per oferir informació sobre les dades mitjançant indicis visuals com ara gràfics, gràfics, mapes i molts altres. Això és útil, ja que ajuda a una comprensió intuïtiva i fàcil de les grans quantitats de dades i, per tant, a prendre millors decisions al respecte. Quan utilitzem un gran nombre d'impressió d'un conjunt de dades, es trunca. En aquest article, veurem com imprimir-lo sencer Pandas Dataframe o Sèrie sense Truncament.
Imprimeix un Pandas DataFrame sencer en Python
Per defecte, el marc de dades complet no s'imprimeix si la longitud supera la longitud predeterminada, la sortida es trunca com es mostra a continuació:
Python 3
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)> |
>
>
Sortida:
N'hi ha 4 mètodes per imprimir tot el marc de dades pandas:
- Utilitzeu el mètode to_string().
- Utilitzeu el mètode pd.option_context().
- Utilitzeu el mètode pd.set_options().
- Utilitzeu el mètode pd.to_markdown().
Mètode 1: utilitzant to_string()
Tot i que aquest mètode és el més senzill de tots, no és aconsellable per a conjunts de dades molt grans (de l'ordre de milions) perquè converteix tot el marc de dades en un objecte de cadena, però funciona molt bé per a marcs de dades amb una mida de l'ordre de milers.
Sintaxi: DataFrame.to_string(buf=Cap, columns=Cap, col_space=Cap, header=True, index=True, na_rep='NaN', formatters=Cap, float_format=Cap, index_names=True, justify=Cap, max_rows=Cap, max_cols=Cap, show_dimensions=Fals, decimal='.', line_width=Cap)
Exemple: En aquest exemple, estem utilitzant elload_iris>funció de scikit-learn per carregar el conjunt de dades Iris i, a continuació, crea un DataFrame pandas (df>) que conté les característiques del conjunt de dades i, finalment, converteix tot el DataFrame en una representació de cadena utilitzant to_string()> i el mostra.
Python 3
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())> |
comanda al node js
>
>
Sortida:
Mètode 2: utilitzant pd.option_context()
Els panda permeten canviar la configuració mitjançant el context_opció() mètode i set_option() mètodes. Tots dos mètodes són idèntics amb una diferència que després es canvia la configuració de manera permanent i el primer només ho fa dins de l'àmbit del gestor de context.
Sintaxi: pandas.option_context(*args)
Exemple: En aquest exemple, estem utilitzant el conjunt de dades Iris de scikit-learn, crea un DataFrame pandas (df>) amb opcions de format especificades i imprimeix el DataFrame en un context temporal on la configuració de visualització, com ara files, columnes i precisió màximes, es modifiquen només per a l'àmbit local.
Python 3
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)> |
>
lloc web com coomeet
>
Sortida:
Mètode 3: utilitzant pd.set_option()
Aquest mètode és similar al mètode pd.option_context() i pren els mateixos paràmetres que s'han comentat per al mètode 2, però a diferència de pd.option_context() és L'abast i l'efecte és a tot l'script, és a dir, tots els paràmetres dels marcs de dades es canvien permanentment
Per restablir explícitament l'ús del valor pd.reset_option('tot') s'ha d'utilitzar el mètode per revertir els canvis.
Sintaxi: pandas.set_option(pat, valor)
Exemple: Aquest codi modifica les opcions de visualització global dels pandes per mostrar totes les files i columnes amb una amplada i precisió il·limitades per al DataFrame donat (df>). A continuació, restableix les opcions als seus valors predeterminats i torna a mostrar el DataFrame, il·lustrant la restauració de la configuració predeterminada.
Python 3
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)> |
>
>
Sortida:
Mètode 4: utilitzant to_markdown()
Aquest mètode és similar al mètode to_string() ja que també converteix el marc de dades en un objecte de cadena i també hi afegeix estil i format.
Sintaxi: DataFrame.to_markdown(buf=Cap, mode=’wt’, index=True,, **kwargs)
Exemple: Aquest codi utilitza el conjunt de dades Iris de scikit-learn per crear un DataFrame pandas (df>), i després imprimeix una representació de Markdown amb format del DataFrame mitjançant el to_markdown()>mètode .
Python 3
len de cadena en 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())> |
>
>
Sortida: