


Cara Menggabungkan Pandas DataFrames Dijana dalam Gelung Untuk: Penyelesaian Komprehensif
Menggabungkan Pandas DataFrames Dijana dalam For Loop: Penyelesaian Komprehensif
Mengenai manipulasi data, Pandas menawarkan set alat yang berkuasa untuk bekerja dengan data berstruktur. Satu tugas biasa ialah menggabungkan data daripada pelbagai sumber. Satu cara untuk mencapai ini ialah dengan menjana bingkai data dalam gelung for dan kemudian menambahkannya untuk mencipta rangka data bersatu.
Untuk menambahkan bingkai data yang dijana dalam gelung for, anda perlu menggunakan pendekatan yang sedikit berbeza daripada satu yang anda cuba. Kod yang anda berikan:
appended_data = pandas.DataFrame.append(data) # requires at least two arguments
memerlukan sekurang-kurangnya dua bingkai data sebagai argumen, yang tidak sesuai untuk menambahkan berbilang bingkai data satu demi satu. Sebaliknya, kami boleh menggunakan pd.concat untuk menggabungkan senarai bingkai data menjadi satu bingkai data yang lebih besar.
Berikut ialah penyelesaian yang lebih baik:
<code class="python">appended_data = [] for infile in glob.glob("*.xlsx"): data = pandas.read_excel(infile) # Store each dataframe in a list appended_data.append(data) # Concatenate the list of dataframes into a single dataframe appended_data = pd.concat(appended_data) # Write the resulting dataframe to a new Excel file appended_data.to_excel('appended.xlsx')</code>
Dalam kod yang disemak ini:
- Kami mencipta senarai kosong appended_data untuk menyimpan bingkai data individu.
- Dalam gelung, kami membaca setiap fail Excel ke dalam bingkai data dan menambahkannya pada senarai ini.
- Menggunakan pd. concat, kami menggabungkan semua bingkai data dalam senarai ke dalam bingkai data tunggal bernama appended_data.
- Akhir sekali, kami menulis bingkai data yang ditambahkan ke fail Excel baharu bernama "appended.xlsx".
Pendekatan ini memastikan bahawa semua bingkai data yang dijana dalam gelung digabungkan menjadi satu bingkai data, memberikan anda set data bersatu.
Atas ialah kandungan terperinci Cara Menggabungkan Pandas DataFrames Dijana dalam Gelung Untuk: Penyelesaian Komprehensif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python dan C masing -masing mempunyai kelebihan sendiri, dan pilihannya harus berdasarkan keperluan projek. 1) Python sesuai untuk pembangunan pesat dan pemprosesan data kerana sintaks ringkas dan menaip dinamik. 2) C sesuai untuk prestasi tinggi dan pengaturcaraan sistem kerana menaip statik dan pengurusan memori manual.

Pythonlistsarepartofthestandardlibrary, sementara

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak
