Візуалізація даних — це техніка, яка використовується для надання розуміння даних за допомогою візуальних підказок, таких як графіки, діаграми, карти та багато іншого. Це корисно, оскільки допомагає інтуїтивно зрозумілому та легкому розумінню великої кількості даних і, таким чином, приймати кращі рішення щодо них. Коли ми використовуємо друк великої кількості набору даних, він скорочується. У цій статті ми побачимо, як надрукувати весь текст Pandas Data Frame або ряд без скорочення.
Роздрукуйте весь Panda DataFrame на Python
За замовчуванням повний кадр даних не друкується, якщо довжина перевищує довжину за замовчуванням, вихідні дані скорочуються, як показано нижче:
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)> |
>
>
Вихід:
Є 4 методи друку всього фрейму даних pandas:
- Використовуйте метод to_string().
- Використовуйте метод pd.option_context().
- Використовуйте метод pd.set_options().
- Використовуйте метод pd.to_markdown().
Спосіб 1: Використання to_string()
Хоча цей метод найпростіший із усіх, він не рекомендований для дуже великих наборів даних (порядку мільйонів), оскільки він перетворює весь кадр даних у рядковий об’єкт, але дуже добре працює для кадрів даних розміром порядку тисяч.
Синтаксис: DataFrame.to_string(buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, index_names=True, justify=None, max_rows=None, max_cols=Немає, show_dimensions=Хибне, decimal='.', line_width=Немає)
приклад: У цьому прикладі ми використовуємоload_iris>функція з scikit-learn для завантаження набору даних Iris, а потім створює pandas DataFrame (df>), що містить функції набору даних, і, нарешті, перетворює весь DataFrame на рядкове представлення за допомогою to_string()> і відображає його.
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())> |
вставити в клавіатуру
>
>
Вихід:
Спосіб 2: Використання pd.option_context()
Panda дозволяє змінювати налаштування за допомогою option_context() метод і set_option() методи. Обидва методи ідентичні з тією різницею, що пізніше один змінює налаштування назавжди, а перший робить це лише в межах контекстного менеджера.
Синтаксис: pandas.option_context(*args)
приклад: У цьому прикладі ми використовуємо набір даних Iris із scikit-learn, створюємо pandas DataFrame (df>) із зазначеними параметрами форматування та друкує DataFrame у тимчасовому контексті, де параметри відображення, такі як максимальна кількість рядків, стовпців і точність, змінюються лише для локальної області.
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)> |
>
>
Вихід:
Спосіб 3: Використання pd.set_option()
Цей метод подібний до методу pd.option_context() і приймає ті самі параметри, що й для методу 2, але на відміну від pd.option_context() його обсяг і вплив на весь сценарій, тобто всі налаштування кадрів даних змінюються назавжди
Щоб явно скинути значення, використовуйте pd.reset_option('усі') для скасування змін необхідно використати метод.
python зберегти json у файл
Синтаксис: pandas.set_option(пат, значення)
приклад: Цей код змінює глобальні параметри відображення pandas, щоб відображати всі рядки та стовпці з необмеженою шириною та точністю для заданого DataFrame (df>). Потім він скидає параметри до значень за замовчуванням і знову відображає DataFrame, ілюструючи відновлення налаштувань за замовчуванням.
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)> |
>
>
Вихід:
Спосіб 4: Використання to_markdown()
Цей метод подібний до методу to_string(), оскільки він також перетворює фрейм даних на рядковий об’єкт, а також додає до нього стиль і форматування.
Синтаксис: DataFrame.to_markdown(buf=None, mode=’wt’, index=True,, **kwargs)
приклад: Цей код використовує набір даних Iris із scikit-learn для створення pandas DataFrame (df>), а потім він друкує відформатований Markdown представлення DataFrame за допомогою to_markdown()>метод .
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)> # Converts the dataframe into str object with formatting> print>(df.to_markdown())> |
>
рядок у методах java
>
Вихід: