كيفية تصفية الصفوف في Pandas DataFrame بناءً على قيم الأعمدة

تصفية الصفوف في Pandas DataFrames

Pandas هي مكتبة قوية في لغة بايثون لمعالجة البيانات وتحليلها. إحدى المهام الشائعة هي تحديد الصفوف من DataFrame بناءً على قيم الأعمدة، على غرار جدول SQL SELECT * FROM WHERE column_name = some_value.

سيرشدك هذا الدليل عبر طرق مختلفة لتحقيق ذلك في Pandas، مما يجعل من السهل تصفية بياناتك بكفاءة. سواء كنت مستخدمًا مبتدئًا أو متمرسًا، ستعزز هذه النصائح مهاراتك في التعامل مع البيانات.

فهم اختيار صف DataFrame في الباندا

توضح البرامج النصية المقدمة كيفية تحديد صفوف من DataFrame بناءً على قيم الأعمدة باستخدام مكتبة Pandas في Python. يبدأ البرنامج النصي الأول باستيراد مكتبة Pandas بامتداد import pandas as pd يأمر. ثم يقوم بإنشاء نموذج DataFrame باستخدام قاموس البيانات، والذي يتم تحويله إلى DataFrame باستخدام الملف pd.DataFrame(data) يأمر. يوضح البرنامج النصي بعد ذلك طريقتين لاختيار الصف: تحديد الصفوف التي تكون فيها قيمة عمود "العمر" أكبر من 25 باستخدام df[df['Age'] > 25]، واختيار الصفوف التي تكون فيها قيمة العمود "المدينة" هي "شيكاغو" باستخدام df[df['City'] == 'Chicago']. تتم طباعة DataFrames التي تمت تصفيتها باستخدام print() وظيفة لعرض الصفوف المحددة.

يتبع البرنامج النصي الثاني بنية مماثلة ولكنه يستخدم بيانات ومعايير اختيار مختلفة. يقوم بإنشاء DataFrame بمعلومات المنتج، بما في ذلك أعمدة "المنتج" و"السعر" و"المخزون". يتم تحديد الصفوف التي يكون فيها "السعر" أقل من أو يساوي 200 df[df['Price'] <= 200]، وحيث يكون "المخزون" أكثر من 40 استخدامًا df[df['Stock'] > 40]. الغرض من هذه البرامج النصية هو إظهار كيفية تصفية صفوف DataFrame بناءً على شروط محددة، على غرار كيفية استخدام استعلام SQL لتحديد صفوف من جدول بناءً على قيمة عمود. من خلال فهم هذه الأوامر وتطبيقها، يمكنك معالجة البيانات وتحليلها بكفاءة في DataFrames الخاصة بك.

# Importing the necessary library
import pandas as pd

# Creating a sample DataFrame
data = {
    'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
    'Age': [24, 27, 22, 32, 29],
    'City': ['New York', 'Los Angeles', 'Chicago', 'Houston', 'Phoenix']
}
df = pd.DataFrame(data)

# Selecting rows where Age is greater than 25
selected_rows = df[df['Age'] > 25]
print(selected_rows)

# Selecting rows where City is 'Chicago'
chicago_rows = df[df['City'] == 'Chicago']
print(chicago_rows)

# Importing pandas library
import pandas as pd

# Creating a sample DataFrame
data = {'Product': ['A', 'B', 'C', 'D', 'E'],
        'Price': [100, 150, 200, 250, 300],
        'Stock': [30, 60, 90, 20, 50]}
df = pd.DataFrame(data)

# Selecting rows where Price is less than or equal to 200
affordable_products = df[df['Price'] <= 200]
print(affordable_products)

# Selecting rows where Stock is more than 40
in_stock = df[df['Stock'] > 40]
print(in_stock)

تقنيات متقدمة لاختيار صفوف DataFrame في الباندا

إلى جانب التصفية الأساسية باستخدام الفهرسة المنطقية، يقدم Pandas تقنيات متقدمة لاختيار الصفوف بناءً على قيم الأعمدة. إحدى الطرق القوية هي استخدام query() وظيفة، والتي تسمح لك بتصفية الصفوف باستخدام تعبير استعلام، مما يجعل بناء الجملة أكثر وضوحًا وأكثر سهولة في كثير من الأحيان. على سبيل المثال، بدلا من استخدام df[df['Age'] > 25]، يمكنك كتابة df.query('Age > 25'). تعتبر هذه الطريقة مفيدة بشكل خاص عند التعامل مع شروط أكثر تعقيدًا أو عندما تحتوي أسماء الأعمدة على مسافات. بالإضافة إلى ذلك، isin() تكون الوظيفة مفيدة عندما تريد تصفية الصفوف بناءً على قائمة القيم. على سبيل المثال، لتحديد صفوف حيث تكون قيمة العمود "المدينة" إما "شيكاغو" أو "نيويورك"، يمكنك استخدام df[df['City'].isin(['Chicago', 'New York'])].

تقنية أخرى تنطوي على loc و iloc مفهرسات. ال loc يعتمد المفهرس على التسمية، مما يسمح لك بتحديد الصفوف بناءً على تسميات الصفوف وأسماء الأعمدة، بينما iloc يعتمد على الموقع الصحيح، مما يتيح التحديد حسب أرقام الصفوف والأعمدة. تعتبر هذه المرونة مفيدة بشكل خاص لتحديد الصفوف بناءً على شرط مطبق على عمود مختلف. على سبيل المثال، df.loc[df['Age'] > 25, 'Name'] ستعيد أسماء الأفراد الذين تزيد أعمارهم عن 25 عامًا. تعمل هذه الطرق على توسيع مجموعة الأدوات الخاصة بك للتعامل مع البيانات وتحليلها بكفاءة في Pandas، مما يوفر تعليمات برمجية أكثر قابلية للقراءة والصيانة.

الأفكار النهائية حول تقنيات اختيار صف DataFrame

يعد تحديد الصفوف من DataFrame بناءً على قيم الأعمدة في Pandas مهارة بالغة الأهمية لمعالجة البيانات. الأساليب المختلفة التي تمت مناقشتها، بما في ذلك الفهرسة المنطقية، query(), isin()والفهرسة المستندة إلى التصنيف والموقع الصحيح باستخدام loc و iloc، توفير أدوات قوية لتصفية البيانات بكفاءة. يتيح إتقان هذه التقنيات تحليلًا أفضل للبيانات وتعليمات برمجية أكثر وضوحًا وأكثر قابلية للصيانة.