Datavisualisering är tekniken som används för att ge insikter i data med hjälp av visuella ledtrådar som grafer, diagram, kartor och många andra. Detta är användbart eftersom det hjälper till att intuitivt och enkelt förstå de stora mängderna data och därigenom fatta bättre beslut angående det. När vi använder ett stort antal utskrifter av en datauppsättning avkortas den. I den här artikeln ska vi se hur man skriver ut hela Pandas dataram eller serie utan trunkering.
Skriv ut en hel Pandas DataFrame i Python
Som standard skrivs inte hela dataramen ut om längden överskrider standardlängden, utdata trunkeras enligt nedan:
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)> |
>
>
Produktion:
Det finns 4 metoder för att skriva ut hela pandas dataram:
- Använd metoden to_string()
- Använd metoden pd.option_context()
- Använd metoden pd.set_options()
- Använd metoden pd.to_markdown()
Metod 1: Använd to_string()
Även om den här metoden är enklast av allt, är den inte tillrådlig för väldigt stora datamängder (i miljontalsordningar) eftersom den konverterar hela dataramen till ett strängobjekt men fungerar mycket bra för dataramar för storlek i storleksordningen tusentals.
Syntax: DataFrame.to_string(buf=Ingen, kolumner=Ingen, col_space=Ingen, header=True, index=True, na_rep='NaN', formatters=Ingen, float_format=Ingen, index_names=True, justify=Ingen, max_rows=Ingen, max_cols=Ingen, show_dimensions=False, decimal='.', line_width=Ingen)
Exempel: I det här exemplet använder viload_iris>funktion från scikit-learn för att ladda Iris-datauppsättningen och skapar sedan en pandas DataFrame (df>) som innehåller datauppsättningsfunktionerna, och slutligen konverterar hela DataFrame till en strängrepresentation med hjälp av to_string()> och visar den.
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())> |
android process acore
>
>
powershell admin
Produktion:
Metod 2: Använd pd.option_context()
Pandas tillåter att ändra inställningar via option_context() metod och set_option() metoder. Båda metoderna är identiska med en skillnad att man senare ändrar inställningarna permanent och de förra gör det endast inom ramen för sammanhangshanteraren.
Syntax : pandas.option_context(*args)
Exempel: I det här exemplet använder vi Iris-dataset från scikit-learn, skapar en pandas DataFrame (df>) med specificerade formateringsalternativ och skriver ut DataFrame i ett tillfälligt sammanhang där visningsinställningar, såsom maximala rader, kolumner och precision, endast ändras för lokalt omfång.
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)> |
>
>
Produktion:
Metod 3: Använd pd.set_option()
Denna metod liknar metoden pd.option_context() och tar samma parametrar som diskuteras för metod 2, men till skillnad från pd.option_context() räckvidd och effekt är på hela skriptet, dvs alla inställningar för dataramar ändras permanent
För att uttryckligen återställa värdet använd pd.reset_option('alla') metod måste användas för att återställa ändringarna.
Syntax : pandas.set_option(pat, värde)
Exempel: Denna kod ändrar globala pandor visningsalternativ för att visa alla rader och kolumner med obegränsad bredd och precision för den givna DataFrame (df>). Den återställer sedan alternativen till deras standardvärden och visar DataFrame igen, vilket illustrerar återställningen av standardinställningarna.
Python3
usa hur många städer
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)> |
>
>
Produktion:
Metod 4: Använd to_markdown()
Den här metoden liknar metoden to_string() eftersom den också konverterar dataramen till ett strängobjekt och även lägger till stil och formatering till den.
Syntax : DataFrame.to_markdown(buf=Ingen, mode=’wt’, index=True,, **kwargs)
Exempel: Den här koden använder Iris-datauppsättningen från scikit-learn för att skapa en pandas DataFrame (df>), och sedan skriver den ut en formaterad Markdown-representation av DataFrame med hjälp av to_markdown()>metod .
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())> |
>
>
Produktion: