У світі аналізу даних використання електронних таблиць є поширеним явищем, особливо під час роботи зі структурованими даними у форматі стовпців. Однією з популярних бібліотек для роботи з даними електронних таблиць на Python є Pandas. Ця потужна бібліотека дозволяє розробникам легко читати, маніпулювати та експортувати табличні дані. У цій статті ми зосередимося на конкретній проблемі: оновленні клітинок на аркуші за назвою стовпця за допомогою Pandas. Ми зануримося в рішення, потім покроково пояснимо код і, нарешті, обговоримо пов’язані концепції та функціональні можливості в Pandas, такі як робота з індексами та вибір даних. Отже, почнемо.
Оновлення клітинок за назвою стовпця за допомогою Pandas
Щоб оновити клітинки на аркуші за назвою стовпця, нам спочатку потрібно встановити бібліотеку Pandas, якщо вона ще не встановлена, за допомогою наступної команди:
!pip install pandas
Встановивши Pandas, давайте окреслимо кроки для оновлення клітинок на аркуші за назвою стовпця:
1. Завантажте аркуш в об’єкт DataFrame.
2. Перейдіть до клітинок, які потрібно оновити.
3. Змініть потрібні комірки, присвоївши їм нові значення.
4. Збережіть об’єкт DataFrame назад на аркуші.
Ось фрагмент коду, який демонструє рішення на простому прикладі:
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)
Розуміння Кодексу
Першим кроком є імпорт бібліотеки Pandas під псевдонімом `pd`. Далі ми маємо завантажити дані з файлу CSV в об’єкт DataFrame за допомогою функції `pd.read_csv()`, вказавши назву вхідного файлу ('your_spreadsheet.csv').
Тепер настає головна частина проблеми: доступ до потрібних клітинок і їх оновлення. У цьому прикладі ми хочемо оновити стовпець «Вік», додавши 1 до кожного значення в стовпці. Ми робимо це, просто додаючи 1 до стовпця «Вік», доступ до якого здійснюється за допомогою синтаксису `df['Вік']`. Цей код виконуватиме поелементне додавання 1 до кожного елемента в стовпці «Вік».
Нарешті, ми зберігаємо оновлений DataFrame назад у файл CSV за допомогою функції `df.to_csv()` з назвою вихідного файлу ('your_updated_spreadsheet.csv'). Параметр `index=False` використовується, щоб уникнути запису номерів рядків у вихідний файл.
Індекси Pandas і вибір даних
Pandas значною мірою покладається на концепцію індексів для вибору та обробки даних. За замовчуванням під час завантаження даних із файлу Pandas призначає a числовий індекс до кожного рядка DataFrame, починаючи з 0. Працюючи з даними в Pandas, важливо розуміти різні способи вибір і фільтрація даних на основі значень індексів або імен стовпців.
Наприклад, щоб вибрати певний рядок або рядки, ви можете скористатися індексатором `iloc`, який дозволяє отримати доступ до рядків на основі їхнього цілого індексу:
# 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]
Якщо вам потрібно оновити комірки на основі певної умови, наприклад, оновити стовпець «Вік» лише для тих рядків, де інший стовпець (наприклад, «Місто») має певне значення, ви можете використовувати логічне індексування:
# 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
У цьому прикладі індексатор loc використовується для вибору рядків на основі логічної умови, а потім оновлюється стовпець «Вік».
Майте на увазі, що це лише верхівка айсберга, коли мова йде про роботу з даними в Pandas. Бібліотека надає безліч функцій і методів для ефективного маніпулювання, аналізу та візуалізації ваших даних. Розуміння основ, таких як оновлення комірок на аркуші за назвою стовпця, закладає міцну основу для роботи зі складнішими структурами даних і завдань аналізу в майбутньому.
