<\/p>\n
Mit dem xarray-<\/a> Modul k\u00f6nnen Sie schnell einen 3D-Pandas-DataFrame erstellen.<\/span><\/p>\n In diesem Tutorial wird erkl\u00e4rt, wie Sie mit den Funktionen des xarray-Moduls den folgenden Pandas 3D DataFrame erstellen:<\/span><\/p>\n Der folgende Code zeigt, wie man mit xarray-<\/strong> und NumPy<\/strong> -Funktionen einen 3D-Datensatz erstellt:<\/span><\/p>\n Hinweis<\/strong> : Die Funktion NumPy randn()<\/a> gibt Beispielwerte aus der Standardnormalverteilung<\/a> zur\u00fcck.<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir die Funktion to_dataframe()<\/strong> verwenden, um diesen Datensatz in einen Pandas-DataFrame umzuwandeln:<\/span><\/span><\/p>\n Das Ergebnis ist ein 3D-Pandas-DataFrame, der Informationen \u00fcber die Anzahl der Verk\u00e4ufe von drei verschiedenen Produkten in zwei verschiedenen Jahren und vier verschiedenen Quartalen pro Jahr enth\u00e4lt.<\/span><\/p>\n Wir k\u00f6nnen die Funktion type()<\/strong> verwenden, um zu best\u00e4tigen, dass es sich bei diesem Objekt tats\u00e4chlich um einen Pandas-DataFrame handelt:<\/span><\/p>\n Das Objekt ist tats\u00e4chlich ein Pandas-DataFrame.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere allgemeine Funktionen in Pandas ausgef\u00fchrt werden:<\/span><\/p>\n Pandas: So finden Sie eindeutige Werte in einer Spalte<\/a> Mit dem xarray- Modul k\u00f6nnen Sie schnell einen 3D-Pandas-DataFrame erstellen. In diesem Tutorial wird erkl\u00e4rt, wie Sie mit den Funktionen des xarray-Moduls den folgenden Pandas 3D DataFrame erstellen: product_A product_B product_C year quarter 2021 Q1 1.624345 0.319039 50 Q2 -0.611756 0.319039 50 Q3 -0.528172 0.319039 50 Q4 -1.072969 0.319039 50 2022 Q1 0.865408 -0.249370 50 […]<\/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 product_A product_B product_C\nyear quarter \n2021 Q1 1.624345 0.319039 50\n Q2 -0.611756 0.319039 50\n Q3 -0.528172 0.319039 50\n Q4 -1.072969 0.319039 50\n2022 Q1 0.865408 -0.249370 50\n Q2 -2.301539 -0.249370 50\n Q3 1.744812 -0.249370 50\n Q4 -0.761207 -0.249370 50\n<\/strong><\/span><\/pre>\n Beispiel: Erstellen Sie einen Pandas 3D DataFrame<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\nimport<\/span> xarray as<\/span> xr\n\n#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#create 3D dataset\n<\/span>xarray_3d = xr. Dataset<\/span> (\n {<\/span> \" product_A<\/span> \": ((\"year\", \"quarter\"), np.random.randn<\/span> (2,4))},\n coordinates={\n \" year<\/span> \": [2021, 2022],\n \" quarter<\/span> \": [\"Q1\", \"Q2\", \"Q3\", \"Q4\"],\n \" product_B<\/span> \": (\"year\", np. random<\/span> . randn<\/span> (2)),\n \" product_C<\/span> \": 50,\n },\n)\n\n#view 3D dataset\n<\/span>print<\/span> (xarray_3d)\n\nDimensions: (year: 2, quarter: 4)\nCoordinates:\n * year (year) int32 2021 2022\n * quarter (quarter) <U2 'Q1' 'Q2' 'Q3' 'Q4'\n product_B (year) float64 0.319 -0.2494\n product_C int32 50\nData variables:\n product_A (year, quarter) float64 1.624 -0.6118 -0.5282 ... 1.745 -0.7612<\/strong><\/span><\/pre>\n #convert xarray to DataFrame\n<\/span>df_3d = xarray_3d. to_dataframe<\/span> ()\n\n#view 3D DataFrame\n<\/span>print<\/span> (df_3d)\n\n product_A product_B product_C\nyear quarter \n2021 Q1 1.624345 0.319039 50\n Q2 -0.611756 0.319039 50\n Q3 -0.528172 0.319039 50\n Q4 -1.072969 0.319039 50\n2022 Q1 0.865408 -0.249370 50\n Q2 -2.301539 -0.249370 50\n Q3 1.744812 -0.249370 50\n Q4 -0.761207 -0.249370 50<\/strong><\/span><\/pre>\n #display type of df_3d\n<\/span>type<\/span> (df_3d)\n\npandas.core.frame.DataFrame\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
Pandas: So finden Sie den Unterschied zwischen zwei Linien<\/a>
Pandas: So z\u00e4hlen Sie fehlende Werte in DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"