Python csv mencetak baris tertentu

Bagaimana cara memilih kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

• Saya tertarik dengan usia penumpang Titanic

  In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64

  Untuk memilih satu kolom, gunakan tanda kurung siku In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5 dengan nama kolom dari kolom yang diminati

Setiap kolom dalam a adalah a. Saat satu kolom dipilih, objek yang dikembalikan adalah panda. Kami dapat memverifikasi ini dengan memeriksa jenis output

In [6]: type(titanic["Age"]) Out[6]: pandas.core.series.Series

Dan lihat In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 9 dari output

In [7]: titanic["Age"].shape Out[7]: (891,)

adalah atribut (ingat, jangan gunakan tanda kurung untuk atribut) dari panda In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 7 dan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 berisi jumlah baris dan kolom. (nrows, ncolumns). Seri panda adalah 1 dimensi dan hanya jumlah baris yang dikembalikan

• Saya tertarik dengan usia dan jenis kelamin penumpang Titanic

  In [8]: age_sex = titanic[["Age", "Sex"]] In [9]: age_sex.head() Out[9]: Age Sex 0 22.0 male 1 38.0 female 2 26.0 female 3 35.0 female 4 35.0 male

  Untuk memilih beberapa kolom, gunakan daftar nama kolom di dalam tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5

Catatan

Tanda kurung dalam mendefinisikan a dengan nama kolom, sedangkan tanda kurung luar digunakan untuk memilih data dari panda In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 seperti yang terlihat pada contoh sebelumnya

Tipe data yang dikembalikan adalah DataFrame panda

In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame

In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2)

Pemilihan mengembalikan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 _3 dengan 891 baris dan 2 kolom. Ingat, In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 adalah 2 dimensi dengan dimensi baris dan kolom

Ke panduan pengguna

Untuk informasi dasar tentang pengindeksan, lihat bagian panduan pengguna di

Bagaimana cara memfilter baris tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

• Saya tertarik dengan penumpang yang berusia lebih dari 35 tahun

  In [12]: above_35 = titanic[titanic["Age"] > 35] In [13]: above_35.head() Out[13]: PassengerId Survived Pclass .. Fare Cabin Embarked 1 2 1 1 .. 71.2833 C85 C 6 7 0 1 .. 51.8625 E46 S 11 12 1 1 .. 26.5500 C103 S 13 14 0 3 .. 31.2750 NaN S 15 16 1 2 .. 16.0000 NaN S [5 rows x 12 columns]

  Untuk memilih baris berdasarkan ekspresi bersyarat, gunakan kondisi di dalam tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5

Kondisi di dalam tanda kurung pilihan In [6]: type(titanic["Age"]) Out[6]: pandas.core.series.Series _9 memeriksa baris mana dari kolom In [7]: titanic["Age"].shape Out[7]: (891,) 0 yang memiliki nilai lebih besar dari 35

In [14]: titanic["Age"] > 35 Out[14]: 0 False 1 True 2 False 3 False 4 False .. 886 False 887 False 888 False 889 False 890 False Name: Age, Length: 891, dtype: bool

Output dari ekspresi bersyarat (In [7]: titanic["Age"].shape Out[7]: (891,) _1, tetapi juga In [7]: titanic["Age"].shape Out[7]: (891,) 2, In [7]: titanic["Age"].shape Out[7]: (891,) 3, In [7]: titanic["Age"].shape Out[7]: (891,) 4, In [7]: titanic["Age"].shape Out[7]: (891,) 5,… akan bekerja) sebenarnya adalah panda In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 7 dari nilai boolean (baik In [7]: titanic["Age"].shape Out[7]: (891,) 7 atau In [7]: titanic["Age"].shape Out[7]: (891,) 12___3 sebagai __3 baris). In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 _7 nilai boolean seperti itu dapat digunakan untuk memfilter In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 dengan meletakkannya di antara tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5. Hanya baris yang nilainya In [7]: titanic["Age"].shape Out[7]: (891,) 7 yang akan dipilih

Kita tahu sebelumnya bahwa Titanic In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 asli terdiri dari 891 baris. Mari kita lihat jumlah baris yang memenuhi syarat dengan mencentang atribut In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 9 dari hasil In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3 In [8]: age_sex = titanic[["Age", "Sex"]] In [9]: age_sex.head() Out[9]: Age Sex 0 22.0 male 1 38.0 female 2 26.0 female 3 35.0 female 4 35.0 male 7

In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] 0

• Saya tertarik dengan penumpang Titanic dari kabin kelas 2 dan 3

  In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _1

  Mirip dengan ekspresi kondisional, fungsi kondisional mengembalikan In [7]: titanic["Age"].shape Out[7]: (891,) 7 untuk setiap baris nilai dalam daftar yang disediakan. Untuk memfilter baris berdasarkan fungsi tersebut, gunakan fungsi kondisional di dalam tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5. Dalam hal ini, kondisi di dalam tanda kurung pilihan In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 1 memeriksa baris mana dari kolom In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 2 adalah 2 atau 3

Di atas sama dengan memfilter menurut baris yang kelasnya adalah 2 atau 3 dan menggabungkan dua pernyataan dengan operator In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 3 (atau)

In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _2

Catatan

Saat menggabungkan beberapa pernyataan bersyarat, setiap kondisi harus diapit oleh tanda kurung In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 4. Selain itu, Anda tidak dapat menggunakan In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame _5/In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 6 tetapi perlu menggunakan operator In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 5 In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 3 dan operator In [10]: type(titanic[["Age", "Sex"]]) Out[10]: pandas.core.frame.DataFrame 6 In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 0

Ke panduan pengguna

Lihat bagian khusus dalam panduan pengguna tentang atau tentang

• Saya ingin bekerja dengan data penumpang yang usianya diketahui

  In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _3

  Fungsi bersyarat mengembalikan In [7]: titanic["Age"].shape Out[7]: (891,) _7 untuk setiap baris nilainya bukan nilai In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 3. Dengan demikian, ini dapat digabungkan dengan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5 untuk memfilter tabel data

Anda mungkin bertanya-tanya apa yang sebenarnya berubah, karena 5 baris pertama masih memiliki nilai yang sama. Salah satu cara untuk memverifikasi adalah dengan memeriksa apakah bentuknya telah berubah

In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _4

Ke panduan pengguna

Untuk fungsi khusus lainnya tentang nilai yang hilang, lihat bagian panduan pengguna tentang

Bagaimana cara memilih baris dan kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

• Saya tertarik dengan nama penumpang yang berusia lebih dari 35 tahun

  In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] 5

  Dalam hal ini, subhimpunan dari baris dan kolom dibuat sekaligus dan hanya menggunakan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5 tidak cukup lagi. Operator In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 7/In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 8 diperlukan di depan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5. Saat menggunakan In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 7/In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 8, bagian sebelum koma adalah baris yang Anda inginkan, dan bagian setelah koma adalah kolom yang ingin Anda pilih

Saat menggunakan nama kolom, label baris, atau ekspresi kondisi, gunakan operator In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 7 di depan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5. Untuk bagian sebelum dan sesudah koma, Anda dapat menggunakan label tunggal, daftar label, irisan label, ekspresi bersyarat, atau titik dua. Menggunakan titik dua menentukan Anda ingin memilih semua baris atau kolom

• Saya tertarik pada baris 10 sampai 25 dan kolom 3 sampai 5

  In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _6

  Sekali lagi, subset dari baris dan kolom dibuat sekaligus dan hanya menggunakan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5 tidak cukup lagi. Jika tertarik secara khusus pada baris dan/atau kolom tertentu berdasarkan posisinya dalam tabel, gunakan operator In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 8 di depan tanda kurung pilihan In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5

Saat memilih baris dan/atau kolom tertentu dengan In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 7 atau In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 8, nilai baru dapat diberikan ke data yang dipilih. Misalnya, untuk menetapkan nama In [12]: above_35 = titanic[titanic["Age"] > 35] In [13]: above_35.head() Out[13]: PassengerId Survived Pclass .. Fare Cabin Embarked 1 2 1 1 .. 71.2833 C85 C 6 7 0 1 .. 51.8625 E46 S 11 12 1 1 .. 26.5500 C103 S 13 14 0 3 .. 31.2750 NaN S 15 16 1 2 .. 16.0000 NaN S [5 rows x 12 columns] _9 ke 3 elemen pertama dari kolom ketiga

In [2]: titanic = pd.read_csv("data/titanic.csv") In [3]: titanic.head() Out[3]: PassengerId Survived Pclass .. Fare Cabin Embarked 0 1 0 3 .. 7.2500 NaN S 1 2 1 1 .. 71.2833 C85 C 2 3 1 3 .. 7.9250 NaN S 3 4 1 1 .. 53.1000 C123 S 4 5 0 3 .. 8.0500 NaN S [5 rows x 12 columns] _7

Ke panduan pengguna

Lihat bagian panduan pengguna untuk mendapatkan lebih banyak wawasan tentang penggunaan In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 7 dan In [11]: titanic[["Age", "Sex"]].shape Out[11]: (891, 2) 8

INGAT

• Saat memilih subset data, tanda kurung siku In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 5 digunakan

• Di dalam tanda kurung ini, Anda dapat menggunakan label kolom/baris tunggal, daftar label kolom/baris, irisan label, ekspresi bersyarat, atau tanda titik dua

  Bagaimana cara mencetak baris tertentu dalam file CSV dengan python?

  Langkah 1. Untuk membaca baris dalam Python, Pertama, kita perlu memuat file CSV dalam satu objek. Jadi untuk memuat file csv ke objek gunakan metode open(). Langkah 2. Buat objek pembaca dengan meneruskan objek file yang dibuat di atas ke fungsi pembaca. Langkah 3. Gunakan for loop pada objek pembaca untuk mendapatkan setiap baris

  Bagaimana cara membaca baris tertentu dari file CSV di panda?

  Baca File CSV .

  Muat CSV ke dalam DataFrame. impor panda sebagai pd. df = pd. baca_csv('data. csv').

  Cetak DataFrame tanpa metode to_string(). impor panda sebagai pd. .

  Periksa jumlah baris maksimum yang dikembalikan. impor panda sebagai pd. .

  Tingkatkan jumlah maksimum baris untuk menampilkan seluruh DataFrame. impor panda sebagai pd

  Bagaimana cara mencetak kolom tertentu dalam file CSV dengan python?

  Untuk membaca kolom tertentu dari file csv, kami akan meneruskan daftar kolom yang akan dibaca sebagai argumen input ke parameter ' usecols '. After execution, the read_csv() method returns the dataframe with specific columns as shown in the following example.

  Bagaimana cara membaca file CSV dari baris tertentu dengan python?

  Langkah-Langkah Untuk Membaca Baris Tertentu Dari File .

  Buka file dalam Mode Baca. Untuk membuka file, lewati jalur file dan akses mode r ke fungsi open(). .

  Buat daftar untuk menyimpan nomor baris. .

  Buat daftar untuk menyimpan baris. .

  Gunakan for loop dengan fungsi enumerate() untuk mendapatkan garis dan nomornya. .

  Baca file dengan nomor baris