Pandas 3d dataframe nasıl oluşturulur (örnekle)

Hızlı bir şekilde 3D pandalar DataFrame oluşturmak için xarray modülünü kullanabilirsiniz.

Bu eğitimde, xarray modül işlevlerini kullanarak aşağıdaki pandalar 3D DataFrame’in nasıl oluşturulacağı açıklanmaktadır:

 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
     Q2 -2.301539 -0.249370 50
     Q3 1.744812 -0.249370 50
     Q4 -0.761207 -0.249370 50

Örnek: Pandas 3D DataFrame oluşturma

Aşağıdaki kod, xarray ve NumPy işlevlerini kullanarak 3B veri kümesinin nasıl oluşturulacağını gösterir:

 import numpy as np
import xarray as xr

#make this example reproducible
n.p. random . seeds (1)

#create 3D dataset
xarray_3d = xr. Dataset (
    { " product_A ": (("year", "quarter"), np.random.randn (2,4))},
    coordinates={
        " year ": [2021, 2022],
        " quarter ": ["Q1", "Q2", "Q3", "Q4"],
        " product_B ": ("year", np. random . randn (2)),
        " product_C ": 50,
    },
)

#view 3D dataset
print (xarray_3d)

Dimensions: (year: 2, quarter: 4)
Coordinates:
  * year (year) int32 2021 2022
  * quarter (quarter) <U2 'Q1' 'Q2' 'Q3' 'Q4'
    product_B (year) float64 0.319 -0.2494
    product_C int32 50
Data variables:
    product_A (year, quarter) float64 1.624 -0.6118 -0.5282 ... 1.745 -0.7612

Not : NumPy randn() işlevi standart normal dağılımdan örnek değerler döndürür.

Daha sonra bu veri kümesini pandanın DataFrame’ine dönüştürmek için to_dataframe() işlevini kullanabiliriz:

 #convert xarray to DataFrame
df_3d = xarray_3d. to_dataframe ()

#view 3D DataFrame
print (df_3d)

              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
     Q2 -2.301539 -0.249370 50
     Q3 1.744812 -0.249370 50
     Q4 -0.761207 -0.249370 50

Sonuç, üç farklı ürünün iki farklı yılda ve dört farklı çeyrekte yapılan satış sayısına ilişkin bilgileri içeren bir 3D pandas DataFrame’dir.

Bu nesnenin gerçekten bir panda DataFrame olduğunu doğrulamak için type() işlevini kullanabiliriz:

 #display type of df_3d
type (df_3d)

pandas.core.frame.DataFrame

Nesne aslında bir pandanın DataFrame’idir.

Ek kaynaklar

Aşağıdaki eğitimlerde pandalarda diğer ortak işlevlerin nasıl gerçekleştirileceği açıklanmaktadır:

Pandalar: Bir sütunda benzersiz değerler nasıl bulunur?
Pandalar: İki çizgi arasındaki fark nasıl bulunur?
Pandalar: DataFrame’de eksik değerler nasıl sayılır?