<\/p>\n
Jedes Mal, wenn Sie eine Teilmenge eines Pandas-DataFrames erstellen und dann die Teilmenge \u00e4ndern, wird auch der urspr\u00fcngliche DataFrame ge\u00e4ndert.<\/span><\/p>\n Aus diesem Grund ist es immer eine gute Idee, bei der Teilmenge .copy()<\/strong> zu verwenden, damit \u00c4nderungen, die Sie an der Teilmenge vornehmen, nicht auch am urspr\u00fcnglichen DataFrame vorgenommen werden.<\/span><\/p>\n Die folgenden Beispiele zeigen, wie (und warum) beim Unterteilen eine Kopie eines Pandas-DataFrames erstellt wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame:<\/span><\/p>\n Nehmen wir nun an, wir erstellen eine Teilmenge, die nur die ersten vier Zeilen des urspr\u00fcnglichen DataFrame enth\u00e4lt:<\/span><\/span><\/p>\n Wenn wir einen der Werte in der Teilmenge \u00e4ndern, wird auch der Wert des urspr\u00fcnglichen DataFrame ge\u00e4ndert:<\/span><\/p>\n Beachten Sie, dass der erste Wert der Teamspalte sowohl im Subset-DataFrame als auch<\/strong> im urspr\u00fcnglichen DataFrame von \u201eA\u201c in \u201eX\u201c ge\u00e4ndert wurde.<\/span><\/span><\/p>\n Dies liegt daran, dass wir keine Kopie des urspr\u00fcnglichen DataFrame erstellt haben.<\/span><\/p>\n Nehmen wir erneut an, dass wir den folgenden Pandas-DataFrame haben:<\/span><\/p>\n Nehmen wir erneut an, dass wir eine Teilmenge erstellen, die nur die ersten vier Zeilen des urspr\u00fcnglichen DataFrame enth\u00e4lt, aber dieses Mal verwenden wir .copy()<\/strong> , um eine Kopie des urspr\u00fcnglichen DataFrame zu erstellen:<\/span><\/p>\n Nehmen wir nun an, wir \u00e4ndern den ersten Wert der Teamspalte der DataFrame-Teilmenge:<\/span><\/p>\n Beachten Sie, dass der erste Wert der Teamspalte nur in der DataFrame-Teilmenge von \u201eA\u201c in \u201eX\u201c ge\u00e4ndert wurde.<\/span><\/p>\n Der urspr\u00fcngliche DataFrame bleibt erhalten, da wir beim Erstellen der Teilmenge .copy()<\/strong> verwendet haben, um eine Kopie davon zu erstellen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere g\u00e4ngige Vorg\u00e4nge in Pandas ausgef\u00fchrt werden:<\/span><\/p>\n So l\u00f6schen Sie Zeilen in Pandas DataFrame basierend auf der Bedingung<\/a> Jedes Mal, wenn Sie eine Teilmenge eines Pandas-DataFrames erstellen und dann die Teilmenge \u00e4ndern, wird auch der urspr\u00fcngliche DataFrame ge\u00e4ndert. Aus diesem Grund ist es immer eine gute Idee, bei der Teilmenge .copy() zu verwenden, damit \u00c4nderungen, die Sie an der Teilmenge vornehmen, nicht auch am urspr\u00fcnglichen DataFrame vorgenommen werden. Die folgenden Beispiele zeigen, wie […]<\/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 Beispiel 1: Unterteilung eines DataFrame ohne Kopie<\/span><\/strong><\/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\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 to 18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n4 E 14 12\n5 F 11 9\n6 G 20 9\n7:28 a.m. 4<\/strong><\/pre>\n #define subsetted DataFrame\n<\/span>df_subset = df[0:4]\n\n#view subsetted DataFrame\n<\/span>print<\/span> (df_subset)\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<\/strong><\/pre>\n #change first value in team column\n<\/span>df_subset. team<\/span> [0] = ' X<\/span> '\n\n#view subsetted DataFrame\n<\/span>print<\/span> (df_subset)\n\n team points assists\n0X18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n\n#view original DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0X18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n4 E 14 12\n5 F 11 9\n6 G 20 9\n7:28 a.m. 4\n<\/strong><\/span><\/pre>\n Beispiel 2: Teilmenge eines DataFrame mit Copy<\/span><\/strong><\/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\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 to 18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n4 E 14 12\n5 F 11 9\n6 G 20 9\n7:28 a.m. 4<\/strong><\/pre>\n #define subsetted DataFrame\n<\/span>df_subset = df[0:4]. copy<\/span> ()<\/strong><\/pre>\n #change first value in team column\n<\/span>df_subset. team<\/span> [0] = ' X<\/span> '\n\n#view subsetted DataFrame\n<\/span>print<\/span> (df_subset)\n\n team points assists\n0X18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n\n#view original DataFrame\n<\/span>print<\/span> (df)\n\n team points assists\n0 to 18 5\n1 B 22 7\n2 C 19 7\n3 D 14 9\n4 E 14 12\n5 F 11 9\n6 G 20 9\n7:28 a.m. 4\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So filtern Sie einen Pandas DataFrame nach mehreren Bedingungen<\/a>
So verwenden Sie den \u201eNOT IN\u201c-Filter in Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"