<\/p>\n
Vaak wilt u misschien een Panda’s DataFrame opslaan voor later gebruik zonder dat u de gegevens opnieuw uit een CSV-bestand hoeft te importeren.<\/span><\/p>\n De eenvoudigste manier om dit te doen is door to_pickle()<\/a> te gebruiken om het DataFrame op te slaan als een pickle-bestand:<\/span><\/p>\n Hiermee wordt het DataFrame in uw huidige werkomgeving opgeslagen.<\/span><\/p>\n U kunt vervolgens read_pickle()<\/a> gebruiken om snel het DataFrame uit het pickle-bestand te lezen:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functies in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame maken dat informatie bevat over verschillende basketbalteams:<\/span><\/p>\n We kunnen df.info()<\/strong> gebruiken om het gegevenstype van elke variabele in het DataFrame weer te geven:<\/span><\/p>\n We kunnen de functie to_pickle()<\/strong> gebruiken om dit DataFrame op te slaan in een pickle-bestand met de extensie .pkl<\/strong> :<\/span><\/p>\n Ons DataFrame wordt nu opgeslagen als een pickle-bestand in onze huidige werkomgeving.<\/span><\/p>\n We kunnen dan de functie read_pickle()<\/strong> gebruiken om het DataFrame snel te lezen:<\/span><\/p>\n We kunnen df.info()<\/strong> opnieuw gebruiken om te bevestigen dat het gegevenstype van elke kolom hetzelfde is als voorheen:<\/span><\/p>\n Het voordeel van het gebruik van pickle-bestanden is dat het gegevenstype van elke kolom behouden blijft wanneer we het DataFrame opslaan en laden.<\/span><\/p>\n Dit biedt een voordeel ten opzichte van het opslaan en laden van CSV-bestanden, omdat we geen transformaties op het DataFrame hoeven uit te voeren, omdat het pickle-bestand de oorspronkelijke staat van het DataFrame behoudt.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende fouten in Python kunt oplossen:<\/span><\/p>\n Hoe KeyError in Panda’s te repareren<\/a> Vaak wilt u misschien een Panda’s DataFrame opslaan voor later gebruik zonder dat u de gegevens opnieuw uit een CSV-bestand hoeft te importeren. De eenvoudigste manier om dit te doen is door to_pickle() te gebruiken om het DataFrame op te slaan als een pickle-bestand: df. to_pickle (“ my_data.pkl „) Hiermee wordt het DataFrame in uw […]<\/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":[],"class_list":["post-3241","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld: sla het Pandas DataFrame op en laad het<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Oplossing: ValueError: Kan float NaN niet naar int converteren<\/a>
Oplossing: ValueError: Operanden konden niet worden uitgezonden met vormen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"