<\/p>\n
Muitas vezes voc\u00ea pode querer salvar um DataFrame do pandas para uso posterior sem ter que reimportar os dados de um arquivo CSV.<\/span><\/p>\n A maneira mais f\u00e1cil de fazer isso \u00e9 usar to_pickle()<\/a> para salvar o DataFrame como um arquivo pickle:<\/span><\/p>\n Isto salvar\u00e1 o DataFrame em seu ambiente de trabalho atual.<\/span><\/p>\n Voc\u00ea pode ent\u00e3o usar read_pickle()<\/a> para ler rapidamente o DataFrame do arquivo pickle:<\/span><\/p>\n O exemplo a seguir mostra como usar essas fun\u00e7\u00f5es na pr\u00e1tica.<\/span><\/p>\n Suponha que criemos o seguinte DataFrame do pandas que cont\u00e9m informa\u00e7\u00f5es sobre v\u00e1rios times de basquete:<\/span><\/p>\n Podemos usar df.info()<\/strong> para exibir o tipo de dados de cada vari\u00e1vel no DataFrame:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o to_pickle()<\/strong> para salvar este DataFrame em um arquivo pickle com extens\u00e3o .pkl<\/strong> :<\/span><\/p>\n Nosso DataFrame agora est\u00e1 salvo como um arquivo pickle em nosso ambiente de trabalho atual.<\/span><\/p>\n Podemos ent\u00e3o usar a fun\u00e7\u00e3o read_pickle()<\/strong> para ler rapidamente o DataFrame:<\/span><\/p>\n Podemos usar df.info()<\/strong> novamente para confirmar se o tipo de dados de cada coluna \u00e9 o mesmo de antes:<\/span><\/p>\n A vantagem de usar arquivos pickle \u00e9 que o tipo de dados de cada coluna \u00e9 preservado quando salvamos e carregamos o DataFrame.<\/span><\/p>\n Isso oferece uma vantagem sobre salvar e carregar arquivos CSV, pois n\u00e3o precisamos realizar nenhuma transforma\u00e7\u00e3o no DataFrame, pois o arquivo pickle preserva o estado original do DataFrame.<\/span><\/p>\n Os tutoriais a seguir explicam como corrigir outros erros comuns em Python:<\/span><\/p>\n Como corrigir KeyError em Pandas<\/a> Muitas vezes voc\u00ea pode querer salvar um DataFrame do pandas para uso posterior sem ter que reimportar os dados de um arquivo CSV. A maneira mais f\u00e1cil de fazer isso \u00e9 usar to_pickle() para salvar o DataFrame como um arquivo pickle: df. to_pickle (” my_data.pkl “) Isto salvar\u00e1 o DataFrame em seu ambiente de trabalho […]<\/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-3240","post","type-post","status-publish","format-standard","hentry","category-guia"],"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 Exemplo: salve e carregue o 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 Recursos adicionais<\/strong><\/span><\/h3>\n
Como corrigir: ValueError: n\u00e3o \u00e9 poss\u00edvel converter float NaN em int<\/a>
Como corrigir: ValueError: os operandos n\u00e3o puderam ser transmitidos com formas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"