สมมติว่าคุณมีไฟล์ 'products.csv' และผลลัพธ์สำหรับแถวและคอลัมน์จำนวนหนึ่ง และค่าคอลัมน์ 'product' ตรงกับ 'Car' สำหรับสิบแถวแรกคือ −
ดาวน์โหลดไฟล์ products.csv ที่นี่
แถว:100 คอลัมน์:8id product engine avgmileage price height_mm width_mm productionYear1 2 Car Diesel 21 16500 1530 1735 20204 5 Car Gas 18 17450 1530 1780 20185 6 Car Gas 19 15250 1530 1790 20198 9 Car Diesel 23 16925 1530 1800 2018เรามีวิธีแก้ปัญหาสองวิธีที่แตกต่างกันสำหรับปัญหานี้
โซลูชันที่ 1
-
อ่านข้อมูลจากไฟล์ products.csv และกำหนดให้กับ df
df =pd.read_csv('products.csv ') -
พิมพ์จำนวนแถว =df.shape[0] และ columns =df.shape[1]
-
ตั้งค่า df1 เพื่อกรองสิบแถวแรกจาก df โดยใช้ iloc[0:10,:]
df1 =df.iloc[0:10,:]
-
คำนวณค่าคอลัมน์สินค้าที่ตรงกับรถโดยใช้ df1.iloc[:,1]
ที่นี่ดัชนีคอลัมน์ผลิตภัณฑ์คือ 1 และสุดท้ายพิมพ์ข้อมูล
df1[df1.iloc[:,1]=='Car']
ตัวอย่าง
มาตรวจสอบรหัสต่อไปนี้เพื่อความเข้าใจที่ดีขึ้น -
นำเข้าแพนด้าเป็น pddf =pd.read_csv('products.csv ')print("Rows:",df.shape[0],"Columns:",df.shape[1])df1 =df.iloc[ 0:10,:]print(df1[df1.iloc[:,1]=='Car']) โซลูชันที่ 2
-
อ่านข้อมูลจากไฟล์ products.csv และกำหนดให้กับ df
df =pd.read_csv('products.csv ') -
พิมพ์จำนวนแถว =df.shape[0] และ columns =df.shape[1]
-
ใช้สิบแถวแรกโดยใช้ df.head(10) และกำหนดให้กับ df
df1 =df.head(10)
-
นำค่าคอลัมน์ของผลิตภัณฑ์มาจับคู่กับ Car โดยใช้วิธีการด้านล่าง
df1[df1['product']=='Car']
ตัวอย่าง
ตอนนี้ มาตรวจสอบการใช้งานเพื่อความเข้าใจที่ดีขึ้น -
นำเข้าแพนด้าเป็น pddf =pd.read_csv('products.csv ')print("Rows:",df.shape[0],"Columns:",df.shape[1])df1 =df.head( 10)print(df1[df1['product']=='Car']) ผลลัพธ์
แถว:100 คอลัมน์:8id product engine avgmileage price height_mm width_mm productionYear1 2 Car Diesel 21 16500 1530 1735 20204 5 Car Gas 18 17450 1530 1780 20185 6 Car Gas 19 15250 1530 1790 20198 9 Car Diesel 23 16925 1530 1800 2018
