Mémo inversé Pandas

Je vais rassembler des choses que je vais utiliser à nouveau (Remarque: veuillez noter qu'il n'y a rien de nouveau sur le contenu de l'article de mémo personnel)

introduction

Préparation du jeu de données

import pandas as pd
from sklearn import datasets
iris = datasets.load_iris()
columns = list(map(lambda x: ' '.join(x.split(' ')[:2]), iris.feature_names))
df = pd.DataFrame(iris.data, columns=columns)
df['target'] = iris.target_names[iris.target]
df.head()

Afficher le nombre de données par étiquette

Aperçu

df.groupby('target').size().to_frame.plot.barh()

Résultat de l'exécution:

Commentaire

• J'utilise to_frame pour utiliser pandas.DataFrame.plot.barh
• COUNT GROUP BY par size () pour chaque valeur dans la colonne spécifiée
• Les deux bar et barh sont possibles, mais j'aime personnellement barh, qui a des étiquettes faciles à lire.
• S'il n'est pas représenté graphiquement, le DataFrame ressemble à ceci:

Voir le diagramme de dispersion à code couleur pour chaque étiquette

Aperçu

for key, indices in df.groupby('target').groups.items():
    x = df.loc[indices]['sepal length']
    y = df.loc[indices]['petal length']
    plt.scatter(x, y, label=key, alpha=0.4)
plt.legend()
plt.show()

Résultat de l'exécution:

Commentaire

• df.groupby ('target'). Groups vous donne un dictionnaire de la forme {Valeur de colonne spécifiée: index} contenant la valeur de colonne spécifiée.
• Il peut être traité comme un itérateur qui retourne les clés et les valeurs dans l'ordre avec .items () attaché au type de dictionnaire dans le standard Python.
• D'autres sont affichés en utilisant matplotlib.