<\/p>\n
H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise einen Pandas-DataFrame zur sp\u00e4teren Verwendung speichern, ohne die Daten erneut aus einer CSV-Datei importieren zu m\u00fcssen.<\/span><\/p>\n Der einfachste Weg, dies zu tun, besteht darin, to_pickle()<\/a> zu verwenden, um den DataFrame als Pickle-Datei zu speichern:<\/span><\/p>\n Dadurch wird der DataFrame in Ihrer aktuellen Arbeitsumgebung gespeichert.<\/span><\/p>\n Sie k\u00f6nnen dann read_pickle()<\/a> verwenden, um den DataFrame schnell aus der Pickle-Datei zu lesen:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktionen in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir erstellen den folgenden Pandas-DataFrame, der Informationen \u00fcber verschiedene Basketballteams enth\u00e4lt:<\/span><\/p>\n Wir k\u00f6nnen df.info()<\/strong> verwenden, um den Datentyp jeder Variablen im DataFrame anzuzeigen:<\/span><\/p>\n Wir k\u00f6nnen die Funktion to_pickle()<\/strong> verwenden, um diesen DataFrame in einer Pickle-Datei mit der Erweiterung .pkl<\/strong> zu speichern:<\/span><\/p>\n Unser DataFrame ist jetzt als Pickle-Datei in unserer aktuellen Arbeitsumgebung gespeichert.<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir die Funktion read_pickle()<\/strong> verwenden, um den DataFrame schnell zu lesen:<\/span><\/p>\n Wir k\u00f6nnen df.info()<\/strong> erneut verwenden, um zu best\u00e4tigen, dass der Datentyp jeder Spalte derselbe ist wie zuvor:<\/span><\/p>\n Der Vorteil der Verwendung von Pickle-Dateien besteht darin, dass der Datentyp jeder Spalte erhalten bleibt, wenn wir den DataFrame speichern und laden.<\/span><\/p>\n Dies bietet einen Vorteil gegen\u00fcber dem Speichern und Laden von CSV-Dateien, da wir keine Transformationen am DataFrame durchf\u00fchren m\u00fcssen, da die Pickle-Datei den urspr\u00fcnglichen Zustand des DataFrame beibeh\u00e4lt.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Fehler in Python beheben:<\/span><\/p>\n So beheben Sie KeyError in Pandas<\/a> H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise einen Pandas-DataFrame zur sp\u00e4teren Verwendung speichern, ohne die Daten erneut aus einer CSV-Datei importieren zu m\u00fcssen. Der einfachste Weg, dies zu tun, besteht darin, to_pickle() zu verwenden, um den DataFrame als Pickle-Datei zu speichern: df. to_pickle (“ my_data.pkl „) Dadurch wird der DataFrame in Ihrer aktuellen Arbeitsumgebung gespeichert. Sie k\u00f6nnen dann […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n df. to_pickle<\/span> (\" my_data.pkl<\/span> \")<\/strong><\/pre>\n df = pd. read_pickle<\/span> (\" my_data.pkl<\/span> \")\n<\/strong><\/pre>\n Beispiel: Speichern und laden Sie den Pandas DataFrame<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],\n ' points<\/span> ': [18, 22, 19, 14, 14, 11, 20, 28],\n ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists rebounds\n0 A 18 5 11\n1 B 22 7 8\n2 C 19 7 10\n3 D 14 9 6\n4 E 14 12 6\n5 F 11 9 5\n6 G 20 9 9\n7:28 4 12<\/strong><\/span><\/pre>\n #view DataFrame info\n<\/span>print<\/span> ( df.info<\/span> ())\n\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 8 entries, 0 to 7\nData columns (total 4 columns):\n # Column Non-Null Count Dtype \n--- ------ -------------- ----- \n 0 team 8 non-null object\n 1 point 8 non-null int64 \n 2 assists 8 non-null int64 \n 3 rebounds 8 non-null int64 \ndtypes: int64(3), object(1)\nmemory usage: 292.0+ bytes\nNone\n<\/strong><\/span><\/pre>\n #save DataFrame to pickle file\n<\/span>df. to_pickle<\/span> (\" my_data.pkl<\/span> \")\n<\/strong><\/span><\/pre>\n #read DataFrame from pickle file\n<\/span>df=pd. read_pickle<\/span> (\" my_data.pkl<\/span> \")\n\n#view DataFrame<\/span>\nprint<\/span> (df)\n\nteam points assists rebounds\n0 A 18 5 11\n1 B 22 7 8\n2 C 19 7 10\n3 D 14 9 6\n4 E 14 12 6\n5 F 11 9 5\n6 G 20 9 9\n7:28 4 12\n<\/strong><\/span><\/pre>\n #view DataFrame info\n<\/span>print<\/span> ( df.info<\/span> ())\n\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 8 entries, 0 to 7\nData columns (total 4 columns):\n # Column Non-Null Count Dtype \n--- ------ -------------- ----- \n 0 team 8 non-null object\n 1 point 8 non-null int64 \n 2 assists 8 non-null int64 \n 3 rebounds 8 non-null int64 \ndtypes: int64(3), object(1)\nmemory usage: 292.0+ bytes\nNone<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So beheben Sie: ValueError: Float NaN kann nicht in int konvertiert werden<\/a>
So beheben Sie: ValueError: Operanden konnten nicht mit Formen \u00fcbertragen werden<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"