डेटा मॅनिप्युलेशन आणि विश्लेषणासाठी पांडस ही मोठ्या प्रमाणावर वापरली जाणारी पायथन लायब्ररी आहे iloc लायब्ररीमधील एक महत्त्वपूर्ण कार्य आहे जे वापरकर्त्यांना पूर्णांक-आधारित अनुक्रमणिकेद्वारे डेटा निवडण्याची आणि हाताळण्याची परवानगी देते. मोठ्या डेटासेटसह कार्य करताना हे विशेषतः उपयुक्त ठरू शकते. या लेखात, आम्ही च्या वापराचे अन्वेषण करू पांडा आयलोक विविध परिस्थितींमध्ये आणि डेटा विश्लेषणामध्ये त्याचे महत्त्व आणि संभाव्य अनुप्रयोग समजून घेण्यास मदत करण्यासाठी फंक्शन चरण-दर-चरण कसे कार्य करते ते स्पष्ट करा.
pandas iloc: सामान्य समस्येचे निराकरण
डेटा विश्लेषकांसमोरील एक सामान्य आव्हान म्हणजे त्यांच्या डेटासेटचे विशिष्ट भाग कार्यक्षमतेने कसे निवडायचे आणि त्यांचे विश्लेषण कसे करायचे. पांडामधील डेटाफ्रेम ऑब्जेक्ट या आव्हानांचा सामना करण्यासाठी अनेक उत्कृष्ट पद्धती प्रदान करते आणि सर्वात अष्टपैलू आणि शक्तिशाली कार्यांपैकी एक आहे iloc इंडेक्सर हे वापरकर्त्यांना पूर्णांक-आधारित अनुक्रमणिकेवर आधारित डेटाफ्रेमच्या पंक्ती आणि स्तंभांमध्ये प्रवेश करण्यास सक्षम करते.
व्यावहारिक डेटा विश्लेषण परिस्थितीत iloc कसे वापरायचे याचे चरण-दर-चरण स्पष्टीकरण चर्चा करून सुरुवात करूया.
पांडा आयलोकचे चरण-दर-चरण स्पष्टीकरण
pandas iloc वापरणे सोपे आणि अंतर्ज्ञानी आहे. समजा आमच्याकडे खालील डेटाफ्रेम आहे:
import pandas as pd data = {'Name': ['Alice', 'Bob', 'Cathy', 'David'], 'Age': [25, 29, 21, 35], 'City': ['New York', 'San Francisco', 'Los Angeles', 'Boston']} df = pd.DataFrame(data)
आमच्या डेटाफ्रेममध्ये 4 पंक्ती आणि 3 स्तंभ आहेत. iloc वापरण्यासाठी, तुम्हाला ज्या पंक्ती आणि स्तंभांमध्ये प्रवेश करायचा आहे त्यांच्यासाठी निर्देशांक प्रदान करणे आवश्यक आहे. येथे काही उदाहरणे आहेत:
1. विशिष्ट पंक्ती आणि स्तंभात प्रवेश करणे:
# Access row 2 (index 1) and column 'Name' (index 0) selected_data = df.iloc[1, 0] print(selected_data) # Output: Bob
2. पंक्ती आणि स्तंभांच्या श्रेणीमध्ये प्रवेश करणे:
# Access rows 1 to 3 (indexes 0 and 1) and columns 'Name' and 'Age' (indexes 0 and 1) selected_data = df.iloc[0:2, 0:2] print(selected_data) # Output: # Name Age # 0 Alice 25 # 1 Bob 29
3. विशिष्ट पंक्ती आणि स्तंभांमध्ये प्रवेश करणे:
# Access rows 1 and 4 (indexes 0 and 3) and columns 'Name' and 'City' (indexes 0 and 2) selected_data = df.iloc[[0, 3], [0, 2]] print(selected_data) # Output: # Name City # 0 Alice New York # 3 David Boston
लायब्ररी आणि अवलंबित्व
वापरणे पांडा आयलोक, तुम्हाला पांडा लायब्ररी स्थापित करणे आवश्यक आहे, तसेच इतर कोणतीही लायब्ररी ज्यावर पांडा अवलंबून असतात, जसे की NumPy. तुम्ही त्यांना pip किंवा conda द्वारे स्थापित करू शकता:
pip install pandas numpy
or
conda install pandas numpy
एकदा लायब्ररी इन्स्टॉल झाल्यावर, वरील उदाहरणांमध्ये दाखवल्याप्रमाणे तुम्ही तुमच्या Python वातावरणात pandas आणि iloc वापरणे सुरू करू शकता.
इतर संबंधित कार्ये आणि अनुक्रमणिका पद्धती
व्यतिरिक्त iloc, pandas इतर अनेक अनुक्रमणिका कार्ये आणि पद्धती प्रदान करतात जे वेगवेगळ्या परिस्थितींमध्ये उपयुक्त ठरू शकतात. त्यापैकी काही मुख्य आहेत:
- स्थान: हा इंडेक्सर वापरकर्त्यांना iloc सारख्या पूर्णांक-आधारित अनुक्रमणिकेऐवजी लेबल-आधारित अनुक्रमणिकेवर आधारित पंक्ती आणि स्तंभांमध्ये प्रवेश करण्याची परवानगी देतो.
- येथेः हे लेबल-आधारित अनुक्रमणिकेवर आधारित एकल मूल्यात प्रवेश करण्यासाठी वापरले जाते.
- iat: 'at' प्रमाणेच, परंतु पूर्णांक-आधारित अनुक्रमणिकेसाठी. पूर्णांक-आधारित अनुक्रमणिकेवर आधारित एकल मूल्यामध्ये प्रवेश करण्यासाठी याचा वापर केला जातो.
ही फंक्शन्स एक्सप्लोर करणे आणि ते iloc च्या संयोजनात कसे वापरले जाऊ शकतात हे समजून घेतल्यास पांडा वापरून जटिल डेटा हाताळणी करण्याची तुमची क्षमता मजबूत होईल.