Inhaltsverzeichnis
Datenrahmen in Python
Dataframe-Anwendung
Erstellen Sie einen Beispieldatenrahmen
Algorithmus (Schritte)
Beispiel
Ausgabe
Matrix in Python
Anwendung der Matrix
Matrixmultiplikation durch Konvertieren einer Matrix in einen Datenrahmen
Matrix und Datenrahmen
Fazit
Heim Backend-Entwicklung Python-Tutorial Was ist der Unterschied zwischen Datenrahmen und Matrizen in Python Pandas?

Was ist der Unterschied zwischen Datenrahmen und Matrizen in Python Pandas?

Sep 14, 2023 pm 07:53 PM

在Python Pandas中,数据帧(data frames)和矩阵(matrices)之间的区别是什么?

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)
Nach dem Login kopieren

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
Nach dem Login kopieren

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)
Nach dem Login kopieren

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)
Nach dem Login kopieren

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!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

So verwenden Sie Python, um die ZiPF -Verteilung einer Textdatei zu finden So verwenden Sie Python, um die ZiPF -Verteilung einer Textdatei zu finden Mar 05, 2025 am 09:58 AM

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

Wie benutze ich eine schöne Suppe, um HTML zu analysieren? Wie benutze ich eine schöne Suppe, um HTML zu analysieren? Mar 10, 2025 pm 06:54 PM

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)

Bildfilterung in Python Bildfilterung in Python Mar 03, 2025 am 09:44 AM

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

Wie man mit PDF -Dokumenten mit Python arbeitet Wie man mit PDF -Dokumenten mit Python arbeitet Mar 02, 2025 am 09:54 AM

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

Wie kann man mit Redis in Django -Anwendungen zwischenstrichen Wie kann man mit Redis in Django -Anwendungen zwischenstrichen Mar 02, 2025 am 10:10 AM

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

Wie führe ich ein tiefes Lernen mit Tensorflow oder Pytorch durch? Wie führe ich ein tiefes Lernen mit Tensorflow oder Pytorch durch? Mar 10, 2025 pm 06:52 PM

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

Einführung in die parallele und gleichzeitige Programmierung in Python Einführung in die parallele und gleichzeitige Programmierung in Python Mar 03, 2025 am 10:32 AM

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

So implementieren Sie Ihre eigene Datenstruktur in Python So implementieren Sie Ihre eigene Datenstruktur in Python Mar 03, 2025 am 09:28 AM

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

See all articles