Wizualizacja danych to technika stosowana do dostarczania wglądu w dane za pomocą wskazówek wizualnych, takich jak wykresy, wykresy, mapy i wiele innych. Jest to przydatne, ponieważ pomaga w intuicyjnym i łatwym zrozumieniu dużych ilości danych, a tym samym w podejmowaniu lepszych decyzji na ich temat. Kiedy używamy drukowania dużej liczby zbioru danych, zostaje on obcięty. W tym artykule zobaczymy, jak wydrukować całość Ramka danych Pandy lub Seria bez obcięcia.
Wydrukuj całą ramkę danych Pandas w Pythonie
Domyślnie cała ramka danych nie jest drukowana, jeśli długość przekracza domyślną długość, dane wyjściowe są obcinane, jak pokazano poniżej:
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)> |
>
>
Wyjście:
Tam są 4 metody wydrukowania całej ramki danych pand:
- Użyj metody to_string().
- Użyj metody pd.option_context().
- Użyj metody pd.set_options().
- Użyj metody pd.to_markdown().
Metoda 1: Używanie to_string()
Chociaż ta metoda jest najprostsza ze wszystkich, nie jest zalecana w przypadku bardzo dużych zbiorów danych (rzędu milionów), ponieważ konwertuje całą ramkę danych na obiekt łańcuchowy, ale działa bardzo dobrze w przypadku ramek danych o rozmiarze rzędu tysięcy.
Składnia: DataFrame.to_string(buf=Brak, kolumny=Brak, col_space=Brak, header=True, indeks=True, na_rep='NaN', formatters=Brak, float_format=Brak, indeks_names=True, justify=Brak, max_rows=Brak, max_cols=Brak, show_dimensions=Fałsz, dziesiętny='.', line_width=Brak)
Przykład: W tym przykładzie używamyload_iris>funkcję z scikit-learn, aby załadować zestaw danych Iris, a następnie tworzy ramkę DataFrame pandy (df>) zawierający funkcje zestawu danych i na koniec konwertuje całą ramkę DataFrame na reprezentację ciągu za pomocą to_string()> i wyświetla to.
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())> |
lista czcionek w gimpie
>
>
Wyjście:
Metoda 2: Używanie pd.option_context()
Pandy umożliwiają zmianę ustawień poprzez opcja_kontekst() metoda i opcja_ustawienia() metody. Obie metody są identyczne, z tą różnicą, że później jedna zmienia ustawienia na stałe, a druga robi to tylko w zakresie menedżera kontekstu.
Składnia: pandy.option_context(*args)
Przykład: W tym przykładzie używamy zestawu danych Iris z scikit-learn, tworzymy ramkę DataFrame pandy (df>) z określonymi opcjami formatowania i drukuje ramkę DataFrame w kontekście tymczasowym, w którym ustawienia wyświetlania, takie jak maksymalna liczba wierszy, kolumn i precyzja, są modyfikowane tylko w zakresie lokalnym.
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)> |
>
usuń plik w Javie
>
Wyjście:
Metoda 3: Używanie pd.set_option()
Ta metoda jest podobna do metody pd.option_context() i przyjmuje te same parametry, co omówione dla metody 2, ale w przeciwieństwie do metody pd.option_context() zakres i efekt dotyczą całego skryptu, tj. wszystkie ustawienia ramek danych ulegają trwałej zmianie
Aby jawnie zresetować wartość, użyj pd.reset_option(‘wszystko’) należy zastosować metodę, aby cofnąć zmiany.
Składnia: pandas.set_option(pat, wartość)
Przykład: Ten kod modyfikuje globalne opcje wyświetlania pand, aby wyświetlać wszystkie wiersze i kolumny z nieograniczoną szerokością i precyzją dla danej ramki danych (df>). Następnie resetuje opcje do ich wartości domyślnych i ponownie wyświetla ramkę DataFrame, ilustrując przywrócenie ustawień domyślnych.
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)> |
>
>
Wyjście:
Metoda 4: Używanie to_markdown()
Ta metoda jest podobna do metody to_string(), ponieważ konwertuje również ramkę danych na obiekt łańcuchowy, a także dodaje do niej styl i formatowanie.
Składnia: DataFrame.to_markdown(buf=Brak, tryb=’wt’, indeks=True,, **kwargs)
Przykład: Ten kod wykorzystuje zestaw danych Iris z scikit-learn do utworzenia ramki DataFrame pandy (df>), a następnie drukuje sformatowaną reprezentację DataFrame w formacie Markdown przy użyciu to_markdown()>metoda .
Python3
sortowanie przez łączenie
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())> |
>
>
Wyjście: