เมื่อจำเป็นต้องแปลงเมทริกซ์จำนวนเต็มเป็นเมทริกซ์สตริง จะใช้การทำความเข้าใจรายการ ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [[14, 25, 17], [40, 28, 13], [59, 44, 66], [29, 33, 16]] print("The list is :") print(my_list) my_result = [[str(element) for element in index]for in

เมื่อจำเป็นต้องแมปเมทริกซ์กับพจนานุกรม ระบบจะใช้การวนซ้ำอย่างง่าย ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [[2, 4, 3], [4, 1, 3], [2, 1, 3, 4]] print("The list :") print(my_list) map_dict = {2 : "Python", 1: "fun", 3 : "to", 4 : "learn&

เมื่อจำเป็นต้องแยกพจนานุกรมที่มีค่าผลรวมมากกว่า K จะใช้การวนซ้ำอย่างง่ายและเงื่อนไข if ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [{"Python" : 14, "is" : 18, "fun" : 19},{"Python" : 12, "is": 4, "fun" : 16}, {"Python&quo

เมื่อจำเป็นต้องค้นหาดัชนีอักขระที่จับคู่กับรายการสตริง จะใช้การวนซ้ำอย่างง่าย ทำความเข้าใจรายการ และวิธีการ เพิ่ม ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - from collections import defaultdict my_list = ['p y t h o n', 'i s', 'f u n', 't o', 'l e a r n']

เมื่อจำเป็นต้องกรองแถวที่มีองค์ประกอบที่เป็นทวีคูณของ K จะใช้ตัวดำเนินการความเข้าใจรายการและโมดูลัส ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [[15, 10, 25], [14, 28, 23], [120, 55], [55, 30, 203]] print("The list is :") print(my_list) K = 5 print("The value of K is &

เมื่อจำเป็นต้องกรอง tuples ด้วยสตริงที่มีอักขระเฉพาะ จะใช้ list comprehension และโอเปอเรเตอร์ all ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [('pyt', 'best'), ('pyt', 'good'), ('fest', 'pyt')] print("The list is :") print(my_l

เมื่อจำเป็นต้องแยกช่วงขององค์ประกอบที่คล้ายกันที่ต่อเนื่องกันเป็นช่วงจากรายการ จะใช้การวนซ้ำอย่างง่ายและวิธีการ ผนวก ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [12, 23, 23, 23, 48, 48, 36, 17, 17] print("The list is : ") print(my_list) my_result = [] index = 0 while index

เมื่อจำเป็นต้องแยกสตริงที่มีตัวเลข จะใช้ list comprehension และวิธีการ isdigit ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_string = "python is 12 fun 2 learn" print("The string is : ") print(my_string) my_result = [int(i) for i in my_string.split() if i.isdigit()] print

เมื่อจำเป็นต้องจัดเรียงเมทริกซ์ตามความถี่ ไม่มี จะมีการกำหนดวิธีการที่ใช้พารามิเตอร์และใช้ความเข้าใจรายการ ตัวดำเนินการ ไม่ และวิธีการ เลน เพื่อกำหนดผลลัพธ์ ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - def get_None_freq(row):    return len([element for element in row if not element]) m

เมื่อจำเป็นต้องจัดเรียงรายการตามอักขระด้านหลัง มีการกำหนดวิธีการที่ใช้การจัดทำดัชนีเชิงลบเพื่อส่งคืนผลลัพธ์ ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - def get_rear_position(element):    return element[-1] my_list = ['python', 'is', 'fun', 'to', 'le

เมื่อจำเป็นต้องนับค่าที่ไม่ซ้ำในรายการทูเปิล ตัวดำเนินการ defaultdict, set และวิธีการ append จะถูกใช้ ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - from collections import defaultdict my_list = [(12, 32), (12, 21), (21, 32), (89, 21), (71, 21), (89, 11), (99, 10), (8, 23), (10, 23)] print("

เมื่อจำเป็นต้องค้นหาจุดที่ลดลงในรายการ จะใช้การวนซ้ำแบบง่าย ๆ และคำสั่ง break ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน - my_list = [21, 62, 53, 94, 55, 66, 18, 1, 0] print("The list is :") print(my_list) my_result = -1 for index in range(0, len(my_list) - 1):    if my_lis

เมื่อจำเป็นต้องค้นหาความถี่ของคำโดยใช้สตริงชวเลข คุณสามารถใช้การเข้าใจพจนานุกรมได้ ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน my_str = 'Hi there Will, how are you Will, Will you say Hi to me' print("The string is : " ) print(my_str) my_result = {key: my_str.count(key) for key in

Multiindex Data Frame เป็นกรอบข้อมูลที่มีดัชนีมากกว่าหนึ่งตัว สมมติว่าต่อไปนี้คือ csv ของเราที่จัดเก็บไว้ในเดสก์ท็อป - ขั้นแรก นำเข้าไลบรารีแพนด้าและอ่านไฟล์ CSV ด้านบน - นำเข้าแพนด้าเป็น pddf =pd.read_csv(C:/Users/amit_/Desktop/sales.csv) พิมพ์ (df) เราจะสร้างคอลัมน์ รถยนต์ และ สถานที่ ของ Data

เมื่อจำเป็นต้องค้นหาอักขระที่ใช้บ่อยที่สุดในสตริง พจนานุกรมที่ว่างเปล่าจะถูกสร้างขึ้น และองค์ประกอบในสตริงจะถูกทำซ้ำ เมื่อพบอักขระในพจนานุกรม จะเพิ่มขึ้น มิฉะนั้น ถูกกำหนดเป็น 1 พบค่าสูงสุดของพจนานุกรม และกำหนดให้กับตัวแปร ตัวอย่าง ด้านล่างนี้เป็นการสาธิตสิ่งเดียวกัน my_string = "Python-Interp

ใช้เมธอด insert() เพื่อเพิ่มคอลัมน์จาก DataFrame อื่น ขั้นแรก ให้เราสร้าง DataFrame แรกของเรา - dataFrame1 = pd.DataFrame({"Car": ["Audi","Lamborghini", "BMW", "Lexus"],    "Place": ["US", "UK", "India&quo

ใช้วิธี Series.value_counts() เพื่อนับความถี่ของชุดรายการ ขั้นแรก ให้เราสร้าง DataFrame - # Create DataFrame dataFrame = pd.DataFrame({'Car': ['BMW', 'Mercedes', 'Lamborghini', 'Audi', 'Mercedes', 'Porsche', 'Lamborghini', 'BMW'

หากต้องการรวมไฟล์ excel ทั้งหมดในโฟลเดอร์ ให้ใช้โมดูล Glob และเมธอด append() สมมติว่าต่อไปนี้คือไฟล์ excel ของเราบนเดสก์ท็อป - Sales1.xlsx Sales2.xlsx หมายเหตุ − คุณอาจต้องติดตั้งแพ็คเกจ openpyxl และ xlrd ขั้นแรก ให้กำหนดเส้นทางที่มีไฟล์ excel ทั้งหมดที่คุณต้องการรวม รับไฟล์ excel และอ่าน

ในการตรวจสอบวันที่ที่หายไป อันดับแรก ให้เราตั้งค่าพจนานุกรมของรายการพร้อมบันทึกวันที่ เช่น วันที่ซื้อในตัวอย่างของเรา - # dictionary of lists d = {'Car': ['BMW', 'Lexus', 'Audi', 'Mercedes', 'Jaguar', 'Bentley'],    'Date_of_purch

เราจะจัดกลุ่ม Pandas DataFrame โดยใช้ groupby . เลือกคอลัมน์ที่จะใช้โดยใช้ฟังก์ชัน grouper เราจะจัดกลุ่มรายเดือนและคำนวณผลรวมของราคาจดทะเบียนรายเดือนสำหรับตัวอย่างของเราที่แสดงด้านล่างสำหรับบันทึกการขายรถยนต์ ขั้นแรก สมมติว่าต่อไปนี้คือ Pandas DataFrame ของเราที่มีสามคอลัมน์ - dataFrame =pd.DataFra