


Was ist der Unterschied zwischen Datenrahmen und Matrizen in Python Pandas?
In diesem Artikel zeigen wir Ihnen den Unterschied zwischen Datenrahmen und Matrix in Python Panda.
Datenrahmen und Matrizen sind beide zweidimensionale Datenstrukturen. Im Allgemeinen kann ein Datenrahmen mehrere Datentypen (Zahlen, Zeichen, Faktoren usw.) enthalten, während eine Matrix nur einen Datentyp speichern kann.
Datenrahmen in Python
In Python ist DataFrame eine zweidimensionale, tabellarische, veränderliche Datenstruktur, die tabellarische Daten speichern kann, die Objekte verschiedener Datentypen enthalten. DataFrame verfügt über Achsen, die in Zeilen und Spalten beschriftet sind. DataFrames sind nützliche Werkzeuge bei der Datenvorverarbeitung, da sie wertvolle Methoden zur Datenmanipulation bieten. DataFrame kann auch zum Erstellen von Pivot-Tabellen und zum Plotten von Daten mithilfe von Matplotlib verwendet werden.
Dataframe-Anwendung
Datenrahmen können verschiedene Aufgaben ausführen, beispielsweise das Anpassen statistischer Formeln.
Datenverarbeitung (Matrix ist nicht möglich, muss zuerst in Datenrahmen konvertiert werden)
Zeilen in Spalten umwandeln und umgekehrt, sehr nützlich in der Datenwissenschaft.
Erstellen Sie einen Beispieldatenrahmen
Algorithmus (Schritte)
Hier sind die Algorithmen/Schritte, die befolgt werden müssen, um die erforderliche Aufgabe auszuführen -
Verwenden Sie das Schlüsselwort import, um die Module pandas, numpy mit Aliasnamen zu importieren.
Verwenden Sie die Funktion DataFrame() des Pandas-Moduls, um einen Datenrahmen zu erstellen.
Drucken Sie den Eingabedatenrahmen.
Beispiel
Das folgende Programm verwendet die Funktion DataFrame(), um einen Datenrahmen zurückzugeben -
# importing pandas, numpy modules with alias names import pandas as pd import numpy as np # creating a dataframe inputDataframe = pd.DataFrame({'Name': ['Virat', 'Rohit', 'Meera', 'Nick', 'Sana'], 'Jobrole': ['Developer', 'Analyst', 'Help Desk', 'Database Developer', 'Finance accountant'], 'Age': [25, 30, 28, 25, 40]}) # displaying the dataframe print(inputDataframe)
Ausgabe
Bei der Ausführung generiert das obige Programm die folgende Ausgabe:
Name Jobrole Age 0 Virat Developer 25 1 Rohit Analyst 30 2 Meera Help Desk 28 3 Nick Database Developer 25 4 Sana Finance accountant 40
Matrix in Python
Eine Matrix ist eine Sammlung homogener Datensätze, die in einem zweidimensionalen rechteckigen Raster organisiert sind. Es ist ein m*n-Array mit demselben Datentyp. Es wird mit Vektoreingabe erstellt. Es gibt eine feste Anzahl von Zeilen und Spalten. Python unterstützt verschiedene arithmetische Operationen wie Addition, Subtraktion, Multiplikation und Division in einer Matrix.
Anwendung der Matrix
In den Wirtschaftswissenschaften ist es sehr nützlich für die Berechnung von Statistiken wie BIP (Bruttoinlandsprodukt) oder PI (Preiseinkommen pro Kopf).
Es ist auch nützlich für das Studium elektrischer und elektronischer Schaltkreise.
Drucken Sie den Eingabedatenrahmen.
Matrix wird für Forschungszwecke verwendet, beispielsweise zum Zeichnen von Diagrammen.
Dies ist nützlich für Wahrscheinlichkeitsrechnungen und Statistiken.
Matrixmultiplikation durch Konvertieren einer Matrix in einen Datenrahmen
Algorithmus (Schritte)
Hier sind die Algorithmen/Schritte, die befolgt werden müssen, um die erforderliche Aufgabe auszuführen -
Verwenden Sie das Schlüsselwort import, um das pandas-Modul mit einem Alias zu importieren.
Erstellen Sie zwei Variablen, um jeweils die beiden Eingabematrizen zu speichern.
Erstellen Sie Datenrahmen für die erste und zweite Matrize mit der Funktion DataFrame() (Create DataFrame) des Pandas-Moduls und speichern Sie sie in separaten Variablen. Diese Daten werden in Pandas DataFrames geladen.
Drucken Sie den Datenrahmen der Eingabematrix 1.
Drucken Sie die Abmessungen (Form) der Eingabematrix 1 aus, indem Sie das Attribut Shape anwenden.
Drucken Sie den Datenrahmen der Eingabematrix 2.
Drucken Sie die Abmessungen (Form) der Eingabematrix 2 aus, indem Sie das Attribut Shape anwenden.
Verwenden Sie die Funktion dot(), um die Matrizen inputMatrix_1 und inputMatrix_2 zu multiplizieren und eine Variable zum Speichern zu erstellen.
Drucken Sie die Ergebnismatrix der Multiplikation der Matrizen inputMatrix_1 und inputMatrix_2.
Drucken Sie die Abmessungen (Form) der resultierenden Matrix aus, indem Sie das Formattribut anwenden.
Beispiel
Das folgende Programm verwendet die Funktion DataFrame(), um einen Datenrahmen zurückzugeben -
# importing pandas module import pandas as pd # input matrix 1 inputMatrix_1 = [[1, 2, 2], [1, 2, 0], [1, 0, 2]] # input matrix 2 inputMatrix_2 = [[1, 0, 1], [2, 1, 1], [2, 1, 2]] # creating a dataframe of first matrix #(here data is loaded into a pandas DataFrames) df_1 = pd.DataFrame(data=inputMatrix_1) # creating a dataframe of second matrix df_2 = pd.DataFrame(data=inputMatrix_2) # printing the dataframe of input matrix 1 print("inputMatrix_1:") print(df_1) # printing the dimensions(shape) of input matrix 1 print("The dimensions(shape) of input matrix 1:") print(df_1.shape) print() # printing the dataframe of input matrix 2 print("inputMatrix_2:") print(df_2) # printing the dimensions(shape) of input matrix 1 print("The dimensions(shape) of input matrix 2:") print(df_2.shape) print() # multiplying both the matrices inputMatrix_1 and inputMatrix_2 result_mult = df_1.dot(df_2) # Printing the resultant of matrix multiplication of inputMatrix_1 and inputMatrix_2 print("Resultant Matrix after Matrix multiplication:") print(result_mult) # printing the dimensions(shape) of resultant Matrix print("The dimensions(shape) of Resultant Matrix:") print(result_mult.shape)
Ausgabe
inputMatrix_1: 0 1 2 0 1 2 2 1 1 2 0 2 1 0 2 The dimensions(shape) of input matrix 1: (3, 3) inputMatrix_2: 0 1 2 0 1 0 1 1 2 1 1 2 2 1 2 The dimensions(shape) of input matrix 2: (3, 3) Resultant Matrix after Matrix multiplication: 0 1 2 0 9 4 7 1 5 2 3 2 5 2 5 The dimensions(shape) of Resultant Matrix: (3, 3)
Unten finden Sie die Differenztabelle zwischen Matrix und Datenrahmen.
Matrix und Datenrahmen
Matrix | Datenrahmen |
---|---|
Es handelt sich um eine Sammlung von Datensätzen, die in einer zweidimensionalen rechteckigen Organisation angeordnet sind | Es speichert Datentabellen mit mehreren Datentypen in mehreren Spalten, die als Felder bezeichnet werden. |
Die Matrix ist ein m*n-Array mit demselben Datentyp | Ein Datenrahmen ist eine Liste von Vektoren gleicher Länge. Ein Datenrahmen ist eine verallgemeinerte Form einer Matrix. |
Eine Matrix hat eine feste Anzahl von Zeilen und Spalten. | Die Anzahl der Zeilen und Spalten von Dataframe ist variabel. |
Homogen | Heterogen |
Fazit
In dieser App haben wir den Unterschied zwischen Matrix und Datenrahmen in Python kennengelernt. Wir haben auch gelernt, wie man einen Datenrahmen erstellt und wie man eine Matrix in einen Datenrahmen umwandelt.
Das obige ist der detaillierte Inhalt vonWas ist der Unterschied zwischen Datenrahmen und Matrizen in Python Pandas?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Python, ein Favorit für Datenwissenschaft und Verarbeitung, bietet ein reichhaltiges Ökosystem für Hochleistungs-Computing. Die parallele Programmierung in Python stellt jedoch einzigartige Herausforderungen dar. Dieses Tutorial untersucht diese Herausforderungen und konzentriert sich auf die globale Interprete

Dieses Tutorial zeigt, dass eine benutzerdefinierte Pipeline -Datenstruktur in Python 3 erstellt wird, wobei Klassen und Bedienerüberladungen für verbesserte Funktionen genutzt werden. Die Flexibilität der Pipeline liegt in ihrer Fähigkeit, eine Reihe von Funktionen auf einen Datensatz GE anzuwenden
