La visualizzazione dei dati è la tecnica utilizzata per fornire informazioni approfondite sui dati utilizzando segnali visivi come grafici, diagrammi, mappe e molti altri. Ciò è utile in quanto aiuta a comprendere in modo intuitivo e semplice grandi quantità di dati e quindi a prendere decisioni migliori al riguardo. Quando utilizziamo la stampa di un numero elevato di set di dati, questo viene troncato. In questo articolo vedremo come stampare l'intero Panda Dataframe o serie senza troncamento.
Stampa un intero Pandas DataFrame in Python
Per impostazione predefinita, il frame di dati completo non viene stampato se la lunghezza supera la lunghezza predefinita, l'output viene troncato come mostrato di seguito:
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)> |
>
>
Produzione:
Ci sono 4 metodi per stampare l'intero Dataframe panda:
- Utilizzare il metodo to_string()
- Utilizzare il metodo pd.option_context()
- Utilizzare il metodo pd.set_options()
- Utilizza il metodo pd.to_markdown()
Metodo 1: utilizzo di to_string()
Sebbene questo metodo sia il più semplice di tutti, non è consigliabile per set di dati molto grandi (nell'ordine di milioni) perché converte l'intero frame di dati in un oggetto stringa ma funziona molto bene per frame di dati con dimensioni nell'ordine di migliaia.
Sintassi: DataFrame.to_string(buf=Nessuno, colonne=None, col_space=None, header=True, indice=True, na_rep='NaN', formattatori=None, float_format=None, index_names=True, giustifica=None, max_rows=None, max_cols=Nessuno, show_dimensions=False, decimal='.', line_width=Nessuno)
Esempio: In questo esempio, stiamo utilizzando il fileload_iris>funzione da scikit-learn per caricare il set di dati Iris, quindi crea un DataFrame panda (df>) contenente le funzionalità del set di dati e, infine, converte l'intero DataFrame in una rappresentazione di stringa utilizzando to_string()> e lo visualizza.
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())> |
scan.nextstring java
>
>
Produzione:
Metodo 2: utilizzo di pd.option_context()
I panda consentono di modificare le impostazioni tramite il file opzione_contesto() metodo e set_opzione() metodi. Entrambi i metodi sono identici con la differenza che successivamente si modificano le impostazioni in modo permanente e il primo lo fa solo nell'ambito del gestore del contesto.
Sintassi: pandas.option_context(*args)
Esempio: In questo esempio, stiamo utilizzando il set di dati Iris di scikit-learn, crea un DataFrame panda (df>) con le opzioni di formattazione specificate e stampa DataFrame in un contesto temporaneo in cui le impostazioni di visualizzazione, ad esempio il numero massimo di righe, colonne e precisione, vengono modificate solo per l'ambito locale.
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)> |
Oracle SQL non è uguale
>
>
Produzione:
Metodo 3: utilizzo di pd.set_option()
Questo metodo è simile al metodo pd.option_context() e accetta gli stessi parametri discussi per il metodo 2, ma a differenza di pd.option_context() è l'ambito e l'effetto riguardano l'intero script, ovvero tutte le impostazioni dei frame di dati vengono modificate in modo permanente
Per reimpostare esplicitamente il valore utilizzare pd.reset_option('tutto') metodo deve essere utilizzato per annullare le modifiche.
Sintassi: pandas.set_option(pat, valore)
Esempio: Questo codice modifica le opzioni di visualizzazione globali dei panda per mostrare tutte le righe e le colonne con larghezza e precisione illimitate per il DataFrame specificato (df>). Quindi ripristina le opzioni sui valori predefiniti e visualizza nuovamente DataFrame, illustrando il ripristino delle impostazioni predefinite.
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)> |
>
>
Produzione:
Metodo 4: utilizzo di to_markdown()
Questo metodo è simile al metodo to_string() poiché converte anche il frame di dati in un oggetto stringa e aggiunge anche stile e formattazione ad esso.
Sintassi: DataFrame.to_markdown(buf=None, mode='wt', indice=True,, **kwargs)
Esempio: Questo codice utilizza il set di dati Iris di scikit-learn per creare un DataFrame panda (df>), quindi stampa una rappresentazione Markdown formattata del DataFrame utilizzando il file to_markdown()>metodo .
Python3
raccolta java
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())> |
>
>
Produzione: