పైథాన్‌లోని పాండాస్ డేటాఫ్రేమ్‌లో వరుసలపై పునరావృతం చేయడం

పాండాస్ డేటాఫ్రేమ్‌లో అడ్డు వరుసల మీద మళ్లించడానికి ఐటెరోస్()ని ఉపయోగించడం

పాండాస్ లైబ్రరీతో పైథాన్

import pandas as pd

# Create a sample DataFrame
data = {'c1': [10, 11, 12], 'c2': [100, 110, 120]}
df = pd.DataFrame(data)

# Iterate over rows using iterrows()
for index, row in df.iterrows():
    print(row['c1'], row['c2'])

# Output:
# 10 100
# 11 110
# 12 120

మెరుగైన పనితీరు కోసం itertuples()తో పునరావృతం

పాండాస్ లైబ్రరీతో పైథాన్

import pandas as pd

# Create a sample DataFrame
data = {'c1': [10, 11, 12], 'c2': [100, 110, 120]}
df = pd.DataFrame(data)

# Iterate over rows using itertuples()
for row in df.itertuples():
    print(row.c1, row.c2)

# Output:
# 10 100
# 11 110
# 12 120

డేటాఫ్రేమ్ దరఖాస్తు() పద్ధతితో అడ్డు వరుసలను యాక్సెస్ చేయడం

పాండాస్ లైబ్రరీతో పైథాన్

import pandas as pd

# Create a sample DataFrame
data = {'c1': [10, 11, 12], 'c2': [100, 110, 120]}
df = pd.DataFrame(data)

# Define a function to apply to each row
def print_row(row):
    print(row['c1'], row['c2'])

# Apply the function to each row
df.apply(print_row, axis=1)

# Output:
# 10 100
# 11 110
# 12 120

DataFrame.iterrows() మరియు ఎన్యూమరేట్ ఉపయోగించడం

పాండాస్ లైబ్రరీతో పైథాన్

import pandas as pd

# Create a sample DataFrame
data = {'c1': [10, 11, 12], 'c2': [100, 110, 120]}
df = pd.DataFrame(data)

# Iterate over rows using iterrows() and enumerate()
for i, (index, row) in enumerate(df.iterrows()):
    print(f'Index: {index}, Row {i}: {row["c1"]}, {row["c2"]}')

# Output:
# Index: 0, Row 0: 10, 100
# Index: 1, Row 1: 11, 110
# Index: 2, Row 2: 12, 120

పాండాస్‌లో వరుసలపై పునరావృతం చేయడం గురించి సాధారణ ప్రశ్నలు

1. DataFrame అడ్డు వరుసలలో మళ్ళించడానికి అత్యంత ప్రభావవంతమైన మార్గం ఏమిటి?
2. ది itertuples() ఈ పద్ధతి సాధారణంగా అడ్డు వరుసల మీద పునరావృతం చేయడానికి అత్యంత ప్రభావవంతంగా ఉంటుంది, ఎందుకంటే ఇది ప్రతి అడ్డు వరుస కోసం సిరీస్ వస్తువులను సృష్టించే ఓవర్‌హెడ్‌ను నివారిస్తుంది.
3. మళ్ళిస్తున్నప్పుడు నేను డేటాఫ్రేమ్ విలువలను ఎలా సవరించగలను?
4. మీరు ఉపయోగించవచ్చు loc లేదా iloc DataFrame విలువలను నేరుగా సవరించడానికి మీ లూప్‌లో.
5. రెండింటిలో తేడా ఏంటి iterrows() మరియు itertuples()?
6. iterrows() ప్రతి అడ్డు వరుసను ఒక శ్రేణి వలె అందిస్తుంది itertuples() ప్రతి అడ్డు వరుసను నేమ్‌టుపుల్‌గా అందిస్తుంది, ఇది వేగంగా మరియు మరింత మెమరీ-సమర్థవంతంగా ఉంటుంది.
7. నేను డేటాఫ్రేమ్ అడ్డు వరుసలతో జాబితా గ్రహణాలను ఉపయోగించవచ్చా?
8. అవును, మరింత కాంపాక్ట్ మరియు సమర్థవంతమైన డేటా పరివర్తనల కోసం జాబితా గ్రహణాలను ఉపయోగించవచ్చు.
9. పునరావృతానికి ముందు నేను అడ్డు వరుసలను ఎలా ఫిల్టర్ చేయాలి?
10. ఉపయోగించడానికి query() షరతుల ఆధారంగా వరుసలను ఫిల్టర్ చేయడానికి పద్ధతి లేదా బూలియన్ ఇండెక్సింగ్.
11. నిర్దిష్ట నిలువు వరుసలపై మాత్రమే పునరావృతం చేయడం సాధ్యమేనా?
12. అవును, మీరు నిర్దిష్ట నిలువు వరుసలను ఉపయోగించి వాటిని యాక్సెస్ చేయడం ద్వారా వాటిని మళ్లీ మళ్లీ చెప్పవచ్చు df[column_name] మీ లూప్ లోపల.
13. నేను ప్రతి అడ్డు వరుసకు ఒక ఫంక్షన్‌ను ఎలా వర్తింపజేయగలను?
14. ఉపయోగించడానికి apply() అక్షం పరామితితో పద్ధతి 1కి సెట్ చేయబడింది.
15. ఉపయోగం యొక్క పనితీరు చిక్కులు ఏమిటి iterrows()?
16. iterrows() తో పోలిస్తే నెమ్మదిగా ఉంటుంది itertuples() మరియు పనితీరుపై సిరీస్ వస్తువుల రీడబిలిటీ అవసరమైనప్పుడు ఉపయోగించాలి.

డేటాఫ్రేమ్ వరుస పునరావృతంపై తుది ఆలోచనలు

పాండాస్ డేటాఫ్రేమ్‌లో అడ్డు వరుసల మీద మళ్లించే వివిధ పద్ధతులపై పట్టు సాధించడం వల్ల డేటా మానిప్యులేషన్ టాస్క్‌లలో ఎక్కువ సౌలభ్యం మరియు సామర్థ్యాన్ని అనుమతిస్తుంది. మీరు ఎంచుకున్నా iterrows() చదవడానికి, itertuples() పనితీరు కోసం, లేదా apply() కస్టమ్ ఫంక్షన్‌ల కోసం పద్ధతి, ఈ పద్ధతులను అర్థం చేసుకోవడం పెద్ద డేటాసెట్‌లను సమర్థవంతంగా నిర్వహించగల మీ సామర్థ్యాన్ని మెరుగుపరుస్తుంది. మీ నిర్దిష్ట అవసరాలు మరియు వర్క్‌ఫ్లోలకు ఏది బాగా సరిపోతుందో తెలుసుకోవడానికి ఈ పద్ధతులతో ప్రయోగం చేయండి.