- Series.to_numpy()
- Series.index.to_numpy()
- np.array(Series.array)
- np.array(Series.index.array)
- np.array(Series.index.values)
Tässä oppaassa tutkimme kunkin menetelmän käytännön toteutusta.
Esimerkki 1: Series.To_Numpy()-menetelmän käyttäminen
Ensimmäinen menetelmä, jota käytämme tässä oppaassa Pandas-sarjan muuntamiseen NumPy-taulukoksi, on 'Series.to_numpy()'-funktio. Tämä menetelmä muuntaa tarjotun sarjan arvot NumPy-taulukoksi. Tutkitaan sen toimintaa Python-ohjelman käytännön toteutuksen avulla.
Valitsemme 'Spyder'-työkalun tässä opetusohjelmassa luotavien esimerkkikoodien kokoamista varten. Käynnistämme työkalun ja käynnistämme skriptin. Tämän ohjelman suorittamisen perusedellytys on ladata tarvittavat paketit. Tässä käytämme moduulia, joka kuuluu 'Pandas' -työkalupakettiin. Joten tuomme Pandas-kirjaston ohjelmaamme ja luomme sille aliaksen nimellä 'pd'. Tätä lyhennettä sanasta 'Pandas' nimellä 'pd' käytetään käsikirjoituksessa aina, kun mitä tahansa Panda-menetelmää on käytettävä.
Kirjaston tuomisen jälkeen kutsumme vain menetelmän tästä kirjastosta, joka on 'pd.Series()'. Tässä 'pd', kuten aiemmin tunnistettiin, on Pandan alias ja sitä käytetään kertomaan ohjelmalle, että se käyttää menetelmää Pandasta. Sen sijaan 'sarja' on avainsana, joka käynnistää sarjan luontiprosessin ohjelmassa. Funktio “pd.Series()” kutsutaan ja määritämme sille arvoluettelon. Antamamme arvot ovat '100', '200', '300', '400', '500', '600', '700', '800', '900' ja '1000'. Käytämme 'nimi'-parametria luokitellaksemme tämän luettelon tunnisteen 'numeroiksi'. 'Index'-attribuuttia käytetään määrittämään hakemistoluettelo, jonka haluamme lisätä oletusperäisen hakemistoluettelon sijaan. Se tallentaa arvot, jotka ovat 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i' ja 'j'. Sarjan tallentamista varten luomme sarjaobjektin 'Counter'. Sitten 'print()'-toiminto auttaa meitä näkemään tulosteen tulostamalla sen päätteeseen.
Äskettäin luotu sarjamme määritetyllä indeksiluettelolla on esillä tulosikkunassa.
Jos haluat muuttaa tämän sarjan NumPy-taulukoksi, käytämme 'Series.to_numpy()' -menetelmää. Sarjan nimi “Counter” mainitaan “.to_numpy()”-funktion yhteydessä. Joten tämä funktio ottaa 'Counter' -sarjan arvot ja muuntaa ne NumPy-taulukoksi. Tästä funktiosta luodun tuloksena olevan NumPy-taulukon säilyttämiseksi luodaan muuttuja 'output_array'. Myöhemmin se asetetaan näyttöön käyttämällä 'print()'-menetelmää.
Renderoidussa kuvassa näkyy taulukko.
Varmistetaan sen tyyppi käyttämällä 'type()'-funktiota. Syötetään muuttujan nimi ja tallennetaan NumPy-taulukko Type()-funktion aaltosulkeisiin. Sitten välitämme tämän funktion 'print()' -menetelmälle tyypin näyttämiseksi.
Tässä tuloste NumPy-taulukko tarkistetaan, koska seuraavassa kuvassa luokka on 'numpy.ndarray'.
Esimerkki 2: Series.Index.To_Numpy()-menetelmän käyttäminen
Sarjan arvojen muuntamisen lisäksi NumPy-taulukoksi voimme myös muuntaa indeksin NumPy-taulukoksi. Tämä ilmentymä auttaa meitä oppimaan sarjan indeksin muuntamisen NumPy-taulukoksi käyttämällä 'Series.index.to_numpy()'-menetelmää.
Tässä esittelyssä käytämme sarjaa, jonka loimme edellisessä kuvassa.
Tämän katkaistu koodin luotu tulos on esitetty seuraavassa kuvassa:
Nyt, jotta voimme muuntaa sarjan indeksiluettelon NumPy-taulukoksi, käytämme 'Series.index.to_numpy()' -menetelmää.
Funktio 'Series.index.to_numpy()' on asetettu kutsuun. Sarjan nimi annetaan nimellä 'Laskuri' menetelmällä '.index.to_numpy()'. Tämä menetelmä ottaa indeksin 'Counter'-sarjasta ja muuntaa sen NumPy-taulukoksi. Nyt, tallentaaksemme muunnetun NumPy-taulukon, alustamme 'tallennus'-muuttujan ja määritämme sen NumPy-taulukkoon. Lopuksi nähdäksesi saavutetun tuloksen, kutsumme 'print()'-funktion.
Sarjan indeksiluettelo on nyt muunnettu NumPy-taulukoksi ja näkyy Python-konsolissa.
Matriisityypin tarkistamiseksi käytämme 'type()'-menetelmää ja välitämme sille 'storage'-muuttujan. 'Tulosta'-toimintoa käytetään luokan näkemiseen.
Tämä antaa meille seuraavassa tilannekuvassa olevan luokkatyypin:
Esimerkki 3: Np.array()-menetelmän käyttäminen Series.array-ominaisuuden kanssa
Toinen tapa muuntaa sarja NumPy-taulukoksi on NumPyn menetelmä 'np.array()'. Käytämme tätä menetelmää 'Series.array' -ominaisuuden kanssa tässä tapauksessa.
Tuomme ensin Pandas- ja NumPy-kirjastot. 'np' on tehty aliakseksi NumPylle ja 'pd' Pandan aliakseksi. Tuomme NumPy-kirjaston, koska 'np.array()'-metodi kuuluu tähän kirjastoon.
'pd.Series()' -menetelmää kutsutaan Pandas-sarjan luomiseksi. Sarjalle määrittämämme arvot ovat 'omena', 'banaani', 'appelsiini', 'mango', 'persikka', 'mansikka' ja 'rypäleet'. Tälle arvoluettelolle määritetty 'nimi' on 'Fruits' ja 'indeksi'-parametri sisältää indeksin arvot 'F1', 'F2', 'F3', 'F4', 'F5', 'F6'. , 'F7'. Tämä hakemistoluettelo näytetään oletusarvoisen peräkkäisen luettelon sijaan. Sarja tallennetaan sarjaobjektiin 'Bucket' ja se näytetään 'print()'-toiminnolla.
Seuraava tilannekuva näyttää rakennetun sarjan:
Nyt muunnamme tämän sarjan tarvittavaksi NumPy-taulukoksi. 'np.array()'-menetelmää kutsutaan. Sen sulkeissa oleva 'Series.array' -ominaisuus välitetään. Tämä muuttaa sarjan arvot NumPy-taulukoksi. Tuloksen säilyttämiseksi meillä on 'Arvo'-muuttuja. Lopuksi 'print()' näyttää NumPy-taulukon.
Tässä on esitetty sarjan arvoista luotu NumPy-taulukko.
Käytämme 'type()'-menetelmää varmistaaksemme, että taulukon tyyppi on NumPy.
Vahvistus onnistui.
Esimerkki 4: Np.Array()-menetelmän käyttäminen Series.Index.Array-ominaisuuden kanssa
Käyttämällä edellisen esimerkin sarjaa, muunnamme nyt sarjan indeksin NumPy-taulukoksi käyttämällä 'np.array()'-metodia 'Series.index.array'-ominaisuuden kanssa.
Menetelmä 'np.array()' vedetään ja 'Series.index.array'-ominaisuus välitetään sille sarjanimellä 'Bucket'. 'Nump'-muuttuja on täällä pitämään tuloksen. Ja 'print()' -toiminto havainnollistaa sitä näytöllä.
Hakemistoluettelo muunnetaan NumPy-taulukoksi.
Esimerkki 5: Np.Array()-menetelmän käyttäminen Series.Index.Values-ominaisuuden kanssa
Viimeinen käyttämämme menetelmä on 'np.array()', jossa on 'Series.index.values'-ominaisuus.
Metodi 'np.Series()' kutsutaan 'Series.index.values' -ominaisuuden kanssa. Tällä menetelmällä luotu NumPy-taulukko sijoitetaan 'x'-muuttujaan ja näytetään päätteessä.
Tulos näkyy seuraavassa:
Johtopäätös
Tässä artikkelissa keskustelimme viidestä tekniikasta Pandas-sarjan muokkaamiseksi NumPy-taulukoksi. Kaksi ensimmäistä kuvaa tehtiin Pandasissa ”Series.to_numpy”-menetelmällä. Muusimme ensin sarjan arvot ja sitten indeksiluettelon NumPy-taulukoksi tällä funktiolla. Seuraavat kolme esimerkkiä käyttivät NumPyn työkalupakin 'np.array()'-menetelmää. Välitimme kolme ominaisuutta tälle funktiolle sarjan ja indeksiluettelon arvojen muuntamiseksi NumPy-taulukkoon.