<\/p>\n
Seringkali Anda mungkin ingin menyimpan pandas DataFrame untuk digunakan nanti tanpa harus mengimpor ulang data dari file CSV.<\/span><\/p>\n Cara termudah untuk melakukannya adalah dengan menggunakan to_pickle()<\/a> untuk menyimpan DataFrame sebagai file acar:<\/span><\/p>\n Ini akan menyimpan DataFrame di lingkungan kerja Anda saat ini.<\/span><\/p>\n Anda kemudian dapat menggunakan read_pickle()<\/a> untuk membaca DataFrame dengan cepat dari file acar:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi-fungsi ini dalam praktiknya.<\/span><\/p>\n Misalkan kita membuat pandas DataFrame berikut yang berisi informasi tentang berbagai tim bola basket:<\/span><\/p>\n Kita bisa menggunakan df.info()<\/strong> untuk menampilkan tipe data setiap variabel di DataFrame:<\/span><\/p>\n Kita dapat menggunakan fungsi to_pickle()<\/strong> untuk menyimpan DataFrame ini ke file acar dengan ekstensi .pkl<\/strong> :<\/span><\/p>\n DataFrame kami sekarang disimpan sebagai file acar di lingkungan kerja kami saat ini.<\/span><\/p>\n Kita kemudian dapat menggunakan fungsi read_pickle()<\/strong> untuk membaca DataFrame dengan cepat:<\/span><\/p>\n Kita dapat menggunakan df.info()<\/strong> lagi untuk mengonfirmasi bahwa tipe data setiap kolom sama seperti sebelumnya:<\/span><\/p>\n Keuntungan menggunakan file acar adalah tipe data setiap kolom dipertahankan saat kita menyimpan dan memuat DataFrame.<\/span><\/p>\n Hal ini memberikan keuntungan dibandingkan menyimpan dan memuat file CSV karena kita tidak perlu melakukan transformasi apa pun pada DataFrame karena file acar mempertahankan status asli DataFrame.<\/span><\/p>\n Tutorial berikut menjelaskan cara memperbaiki kesalahan umum lainnya dengan Python:<\/span><\/p>\n Cara Memperbaiki KeyError di Pandas<\/a> Seringkali Anda mungkin ingin menyimpan pandas DataFrame untuk digunakan nanti tanpa harus mengimpor ulang data dari file CSV. Cara termudah untuk melakukannya adalah dengan menggunakan to_pickle() untuk menyimpan DataFrame sebagai file acar: df. to_pickle (” my_data.pkl “) Ini akan menyimpan DataFrame di lingkungan kerja Anda saat ini. Anda kemudian dapat menggunakan read_pickle() untuk membaca DataFrame […]<\/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 Contoh: simpan dan muat 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 Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Memperbaiki: ValueError: Tidak dapat mengubah float NaN menjadi int<\/a>
Cara Memperbaiki: ValueError: Operan tidak dapat disiarkan dengan bentuk<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"