ਕਾਲਮ ਵੈਲਯੂਜ਼ ਦੇ ਅਧਾਰ ਤੇ ਪਾਂਡਾ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਕਤਾਰਾਂ ਨੂੰ ਕਿਵੇਂ ਫਿਲਟਰ ਕਰਨਾ ਹੈ

ਪਾਂਡਾਸ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਕਤਾਰਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨਾ

ਪਾਂਡਾਸ ਡੇਟਾ ਹੇਰਾਫੇਰੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਪਾਈਥਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਇੱਕ ਆਮ ਕੰਮ ਕਾਲਮ ਮੁੱਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਡਾਟਾਫ੍ਰੇਮ ਤੋਂ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਹੈ, SQL ਦੇ SELECT * FROM ਟੇਬਲ WHERE column_name = some_value ਦੇ ਸਮਾਨ।

ਇਹ ਗਾਈਡ ਤੁਹਾਨੂੰ ਪਾਂਡਿਆਂ ਵਿੱਚ ਇਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਲੈ ਕੇ ਜਾਵੇਗੀ, ਜਿਸ ਨਾਲ ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਫਿਲਟਰ ਕਰਨਾ ਆਸਾਨ ਹੋ ਜਾਵੇਗਾ। ਭਾਵੇਂ ਤੁਸੀਂ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਹੋ ਜਾਂ ਇੱਕ ਅਨੁਭਵੀ ਉਪਭੋਗਤਾ ਹੋ, ਇਹ ਸੁਝਾਅ ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਹੁਨਰ ਨੂੰ ਵਧਾਉਣਗੇ।

ਪਾਂਡਿਆਂ ਵਿੱਚ ਡੇਟਾਫ੍ਰੇਮ ਕਤਾਰ ਦੀ ਚੋਣ ਨੂੰ ਸਮਝਣਾ

ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਸਕ੍ਰਿਪਟਾਂ ਦਿਖਾਉਂਦੀਆਂ ਹਨ ਕਿ ਪਾਈਥਨ ਵਿੱਚ ਪਾਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕਾਲਮ ਮੁੱਲਾਂ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾਫ੍ਰੇਮ ਤੋਂ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਪਹਿਲੀ ਸਕ੍ਰਿਪਟ ਪਾਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਨਾਲ ਆਯਾਤ ਕਰਕੇ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ import pandas as pd ਹੁਕਮ. ਇਹ ਫਿਰ ਡੇਟਾ ਦੇ ਇੱਕ ਡਿਕਸ਼ਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਨਮੂਨਾ ਡੇਟਾਫ੍ਰੇਮ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ pd.DataFrame(data) ਹੁਕਮ. ਸਕ੍ਰਿਪਟ ਫਿਰ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਲਈ ਦੋ ਤਰੀਕਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ: ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਜਿੱਥੇ 'ਉਮਰ' ਕਾਲਮ ਦਾ ਮੁੱਲ 25 ਤੋਂ ਵੱਧ ਹੈ df[df['Age'] > 25], ਅਤੇ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਜਿੱਥੇ 'ਸ਼ਹਿਰ' ਕਾਲਮ ਦਾ ਮੁੱਲ 'ਸ਼ਿਕਾਗੋ' ਹੈ df[df['City'] == 'Chicago']. ਇਹ ਫਿਲਟਰ ਕੀਤੇ ਡੇਟਾਫ੍ਰੇਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਿੰਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ print() ਚੁਣੀਆਂ ਗਈਆਂ ਕਤਾਰਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ.

ਦੂਜੀ ਸਕ੍ਰਿਪਟ ਇੱਕ ਸਮਾਨ ਢਾਂਚੇ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ ਪਰ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਅਤੇ ਚੋਣ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਹ 'ਉਤਪਾਦ', 'ਕੀਮਤ', ਅਤੇ 'ਸਟਾਕ' ਕਾਲਮਾਂ ਸਮੇਤ ਉਤਪਾਦ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਇੱਕ ਡੇਟਾਫ੍ਰੇਮ ਬਣਾਉਂਦਾ ਹੈ। ਕਤਾਰਾਂ ਚੁਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਜਿੱਥੇ 'ਕੀਮਤ' 200 ਤੋਂ ਘੱਟ ਜਾਂ ਬਰਾਬਰ ਹੋਵੇ df[df['Price'] <= 200], ਅਤੇ ਜਿੱਥੇ 'ਸਟਾਕ' ਦੀ ਵਰਤੋਂ 40 ਤੋਂ ਵੱਧ ਹੈ df[df['Stock'] > 40]. ਇਹਨਾਂ ਸਕ੍ਰਿਪਟਾਂ ਦਾ ਉਦੇਸ਼ ਇਹ ਦਿਖਾਉਣਾ ਹੈ ਕਿ ਖਾਸ ਸ਼ਰਤਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਡੇਟਾਫ੍ਰੇਮ ਕਤਾਰਾਂ ਨੂੰ ਕਿਵੇਂ ਫਿਲਟਰ ਕਰਨਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਕਾਲਮ ਮੁੱਲ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਸਾਰਣੀ ਤੋਂ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਇੱਕ SQL ਪੁੱਛਗਿੱਛ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ। ਇਹਨਾਂ ਕਮਾਂਡਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੁਆਰਾ, ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਹੇਰਾਫੇਰੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹੋ।

# 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)

ਪਾਂਡਿਆਂ ਵਿੱਚ ਡੇਟਾਫ੍ਰੇਮ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਉੱਨਤ ਤਕਨੀਕਾਂ

ਬੂਲੀਅਨ ਇੰਡੈਕਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਬੁਨਿਆਦੀ ਫਿਲਟਰਿੰਗ ਤੋਂ ਇਲਾਵਾ, ਪਾਂਡਾਸ ਕਾਲਮ ਮੁੱਲਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਉੱਨਤ ਤਕਨੀਕਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਢੰਗ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ query() ਫੰਕਸ਼ਨ, ਜੋ ਤੁਹਾਨੂੰ ਕਤਾਰਾਂ ਨੂੰ ਇੱਕ ਪੁੱਛਗਿੱਛ ਸਮੀਕਰਨ ਨਾਲ ਫਿਲਟਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਿੰਟੈਕਸ ਕਲੀਨਰ ਅਤੇ ਅਕਸਰ ਵਧੇਰੇ ਅਨੁਭਵੀ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਰਤਣ ਦੀ ਬਜਾਏ df[df['Age'] > 25], ਤੁਸੀਂ ਲਿਖ ਸਕਦੇ ਹੋ df.query('Age > 25'). ਇਹ ਵਿਧੀ ਖਾਸ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੈ ਜਦੋਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਸਥਿਤੀਆਂ ਨਾਲ ਨਜਿੱਠਣ ਜਾਂ ਜਦੋਂ ਕਾਲਮ ਦੇ ਨਾਮ ਵਿੱਚ ਖਾਲੀ ਥਾਂਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਦ isin() ਫੰਕਸ਼ਨ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਮੁੱਲਾਂ ਦੀ ਸੂਚੀ ਦੇ ਆਧਾਰ 'ਤੇ ਕਤਾਰਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਉਦਾਹਰਨ ਲਈ, ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਜਿੱਥੇ 'ਸ਼ਹਿਰ' ਕਾਲਮ ਦਾ ਮੁੱਲ ਜਾਂ ਤਾਂ 'ਸ਼ਿਕਾਗੋ' ਜਾਂ 'ਨਿਊਯਾਰਕ' ਹੈ, ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ df[df['City'].isin(['Chicago', 'New York'])].

ਇਕ ਹੋਰ ਤਕਨੀਕ ਸ਼ਾਮਲ ਹੈ loc ਅਤੇ iloc ਸੂਚਕਾਂਕ ਦ loc ਇੰਡੈਕਸਰ ਲੇਬਲ-ਅਧਾਰਿਤ ਹੈ, ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਕਤਾਰਾਂ ਲੇਬਲਾਂ ਅਤੇ ਕਾਲਮ ਦੇ ਨਾਮਾਂ ਦੇ ਅਧਾਰ ਤੇ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ, ਜਦੋਂ ਕਿ iloc ਪੂਰਨ ਅੰਕ-ਸਥਾਨ-ਆਧਾਰਿਤ ਹੈ, ਕਤਾਰ ਅਤੇ ਕਾਲਮ ਨੰਬਰਾਂ ਦੁਆਰਾ ਚੋਣ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਲਚਕਤਾ ਕਿਸੇ ਵੱਖਰੇ ਕਾਲਮ 'ਤੇ ਲਾਗੂ ਕੀਤੀ ਸ਼ਰਤ ਦੇ ਅਧਾਰ 'ਤੇ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੈ। ਉਦਾਹਰਣ ਦੇ ਲਈ, df.loc[df['Age'] > 25, 'Name'] 25 ਸਾਲ ਤੋਂ ਵੱਧ ਉਮਰ ਦੇ ਵਿਅਕਤੀਆਂ ਦੇ ਨਾਮ ਵਾਪਸ ਕਰ ਦੇਵੇਗਾ। ਇਹ ਵਿਧੀਆਂ ਪਾਂਡਾ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਭਾਲਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਤੁਹਾਡੀ ਟੂਲਕਿੱਟ ਦਾ ਵਿਸਤਾਰ ਕਰਦੀਆਂ ਹਨ, ਵਧੇਰੇ ਪੜ੍ਹਨਯੋਗ ਅਤੇ ਸਾਂਭਣਯੋਗ ਕੋਡ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀਆਂ ਹਨ।

ਡਾਟਾਫ੍ਰੇਮ ਕਤਾਰ ਚੋਣ ਤਕਨੀਕਾਂ 'ਤੇ ਅੰਤਿਮ ਵਿਚਾਰ

ਪਾਂਡਾਸ ਵਿੱਚ ਕਾਲਮ ਮੁੱਲਾਂ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾਫ੍ਰੇਮ ਤੋਂ ਕਤਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਡੇਟਾ ਹੇਰਾਫੇਰੀ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹੁਨਰ ਹੈ। ਬੂਲੀਅਨ ਇੰਡੈਕਸਿੰਗ ਸਮੇਤ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ 'ਤੇ ਚਰਚਾ ਕੀਤੀ ਗਈ, query(), isin(), ਅਤੇ ਲੇਬਲ-ਅਧਾਰਿਤ ਅਤੇ ਪੂਰਨ ਅੰਕ-ਸਥਾਨ-ਅਧਾਰਿਤ ਇੰਡੈਕਸਿੰਗ ਦੇ ਨਾਲ loc ਅਤੇ iloc, ਡਾਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਫਿਲਟਰ ਕਰਨ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰੋ। ਇਹਨਾਂ ਤਕਨੀਕਾਂ ਦੀ ਮੁਹਾਰਤ ਬਿਹਤਰ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਕਲੀਨਰ, ਵਧੇਰੇ ਸਾਂਭਣਯੋਗ ਕੋਡ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ।