W świecie analizy danych korzystanie z arkuszy kalkulacyjnych jest powszechne, zwłaszcza podczas pracy z danymi strukturalnymi w formacie kolumnowym. Jedną z popularnych bibliotek do pracy z danymi arkusza kalkulacyjnego w Pythonie jest Pandas. Ta potężna biblioteka umożliwia programistom łatwe odczytywanie, manipulowanie i eksportowanie danych tabelarycznych. W tym artykule skupimy się na konkretnym problemie: aktualizowaniu komórek w arkuszu według nazwy kolumny za pomocą Pand. Zagłębimy się w rozwiązanie, a następnie wyjaśnimy kod krok po kroku, a na koniec omówimy powiązane koncepcje i funkcje w Pandach, takie jak praca z indeksami i wybieranie danych. Więc zacznijmy.
Aktualizowanie komórek według nazwy kolumny za pomocą Pand
Aby zaktualizować komórki w arkuszu według nazwy kolumny, musimy najpierw zainstalować bibliotekę Pandas, jeśli nie jest jeszcze zainstalowana, używając następującego polecenia:
!pip install pandas
Po zainstalowaniu Pand omówmy kroki aktualizacji komórek w arkuszu według nazwy kolumny:
1. Załaduj arkusz do obiektu DataFrame.
2. Uzyskaj dostęp do komórek, które chcemy zaktualizować.
3. Zmodyfikuj żądane komórki, przypisując nowe wartości.
4. Zapisz obiekt DataFrame z powrotem w arkuszu.
Oto fragment kodu, który demonstruje rozwiązanie na prostym przykładzie:
import pandas as pd
# Load data from a CSV file into a DataFrame object
df = pd.read_csv('your_spreadsheet.csv')
# Access and update the desired cells - let's update column 'Age' by adding 1 to each value
df['Age'] = df['Age'] + 1
# Save the updated DataFrame back to the CSV file
df.to_csv('your_updated_spreadsheet.csv', index=False)
Zrozumienie Kodeksu
Pierwszym krokiem jest zaimportowanie biblioteki Pandas pod aliasem `pd`. Następnie musimy załadować dane z pliku CSV do obiektu DataFrame za pomocą funkcji `pd.read_csv()`, podając nazwę pliku wejściowego ('your_spreadsheet.csv').
Teraz pojawia się główna część problemu: dostęp i aktualizacja żądanych komórek. W tym przykładzie chcemy zaktualizować kolumnę „Wiek”, dodając 1 do każdej wartości w kolumnie. Robimy to po prostu dodając 1 do kolumny „Wiek”, do której dostęp uzyskuje się za pomocą składni `df['Wiek']`. Ten kod wykona elementarne dodanie 1 do każdego elementu w kolumnie „Wiek”.
Na koniec zapisujemy zaktualizowaną ramkę DataFrame z powrotem w pliku CSV za pomocą funkcji `df.to_csv()` z nazwą pliku wyjściowego („your_updated_spreadsheet.csv”). Parametr `index=False` jest używany, aby uniknąć zapisywania numerów wierszy w pliku wyjściowym.
Indeksy pand i wybieranie danych
Pandas w dużym stopniu opiera się na koncepcji indeksów do wybierania i manipulowania danymi. Domyślnie podczas ładowania danych z pliku Pandas przypisuje a indeks liczbowy do każdego wiersza ramki DataFrame, zaczynając od 0. Podczas pracy z danymi w Pandach niezbędne jest zrozumienie różnych sposobów wybieranie i filtrowanie danych na podstawie wartości indeksu lub nazw kolumn.
Na przykład, aby wybrać określony wiersz lub wiersze, możesz użyć indeksatora `iloc`, który umożliwia dostęp do wierszy na podstawie ich indeksu liczb całkowitych:
# Select the first row of the DataFrame first_row = df.iloc[0] # Select rows 1 to 3 (excluding 3) rows_1_to_2 = df.iloc[1:3]
Gdy musisz zaktualizować komórki na podstawie określonego warunku, na przykład zaktualizować kolumnę „Wiek” tylko dla tych wierszy, w których inna kolumna (np. „Miasto”) ma określoną wartość, możesz użyć indeksowania logicznego:
# Update the 'Age' column by adding 1, only for rows where 'City' is equal to 'New York' df.loc[df['City'] == 'New York', 'Age'] = df['Age'] + 1
W tym przykładzie indeksator `loc` jest używany do wybierania wierszy na podstawie warunku logicznego, a następnie aktualizowana jest kolumna 'Wiek'.
Pamiętaj, że to tylko wierzchołek góry lodowej, jeśli chodzi o pracę z danymi w Pandach. Biblioteka zapewnia mnóstwo funkcji i technik efektywnego manipulowania, analizowania i wizualizacji danych. Zrozumienie podstaw, takich jak aktualizowanie komórek w arkuszu według nazw kolumn, stanowi solidną podstawę do pracy z bardziej złożonymi strukturami danych i zadaniami analitycznymi w przyszłości.
