programming python

Cách tạo nhiều bảng trong Python

Ghi chú. Flexbox không được hỗ trợ trong Internet Explorer 10 và các phiên bản cũ hơn. Tùy bạn muốn dùng float hay flex. Tuy nhiên, nếu bạn cần hỗ trợ cho IE10 trở xuống, bạn nên sử dụng float

Mẹo. Để tìm hiểu thêm về Mô-đun bố cục hộp linh hoạt, hãy đọc chương CSS Flexbox của chúng tôi

Thêm phản hồi

Ví dụ trên sẽ không đẹp mắt trên thiết bị di động vì hai cột sẽ chiếm quá nhiều dung lượng của trang. Để tạo một bảng đáp ứng, nên chuyển từ bố cục hai cột sang bố cục toàn chiều rộng trên thiết bị di động, hãy thêm các truy vấn phương tiện sau

Đối với hướng dẫn này, dữ liệu chất lượng không khí về \[NO_2\] được sử dụng, do OpenAQ cung cấp và tải xuống bằng py-openaq .

Tập dữ liệu 

In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
2 cung cấp các giá trị \[NO_2\] cho các trạm đo FR04014, BETR801 và London Westminster ở Paris, Antwerp và .

Đến dữ liệu thô

In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4

  • Dữ liệu về chất lượng không khí

    Đối với hướng dẫn này, dữ liệu chất lượng không khí về Vật chất dạng hạt nhỏ hơn 2. 5 micromet được sử dụng, do OpenAQ cung cấp và được tải xuống bằng gói py-openaq

    Tập dữ liệu 

    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    3 cung cấp các giá trị \[PM_{25}\] cho các trạm đo FR04014, BETR801 và London Westminster ở Paris .

    Đến dữ liệu thô

    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5

    • Làm cách nào để kết hợp dữ liệu từ nhiều bảng?

    nối các đối tượng

    • Tôi muốn kết hợp số đo của \[NO_2\] và \[PM_{25 . , two tables with a similar structure, in a single table.

      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5

      Hàm thực hiện các thao tác nối nhiều bảng dọc theo một trong các trục [theo hàng hoặc theo cột]

    Theo mặc định, phép nối dọc theo trục 0, vì vậy bảng kết quả sẽ kết hợp các hàng của bảng đầu vào. Hãy kiểm tra hình dạng của bảng gốc và các bảng được nối để xác minh hoạt động

    In [10]: print['Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape]
Shape of the ``air_quality_pm25`` table:  [1110, 4]

In [11]: print['Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape]
Shape of the ``air_quality_no2`` table:  [2068, 4]

In [12]: print['Shape of the resulting ``air_quality`` table: ', air_quality.shape]
Shape of the resulting ``air_quality`` table:  [3178, 4]

    Do đó, bảng kết quả có 3178 = 1110 + 2068 hàng

    Ghi chú

    Đối số axis sẽ trả về trong một số phương thức pandas có thể được áp dụng dọc theo một trục. Một 

    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    5 có hai trục tương ứng. cái đầu tiên chạy dọc xuống dưới qua các hàng [trục 0] và cái thứ hai chạy theo chiều ngang qua các cột [trục 1]. Theo mặc định, hầu hết các hoạt động như thống kê nối hoặc tóm tắt đều được thực hiện trên các hàng [trục 0], nhưng cũng có thể được áp dụng trên các cột

    Sắp xếp bảng theo thông tin ngày giờ cũng minh họa sự kết hợp của cả hai bảng, với cột 

    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    6 xác định nguồn gốc của bảng [hoặc là 
    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    7 từ bảng 
    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    8 hoặc 
    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    9 từ bảng 
    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    0]

    In [13]: air_quality = air_quality.sort_values["date.utc"]

In [14]: air_quality.head[]
Out[14]: 
                       date.utc            location parameter  value
2067  2019-05-07 01:00:00+00:00  London Westminster       no2   23.0
1003  2019-05-07 01:00:00+00:00             FR04014       no2   25.0
100   2019-05-07 01:00:00+00:00             BETR801      pm25   12.5
1098  2019-05-07 01:00:00+00:00             BETR801       no2   50.5
1109  2019-05-07 01:00:00+00:00  London Westminster      pm25    8.0

    Trong ví dụ cụ thể này, cột 

    In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
    6 do dữ liệu cung cấp đảm bảo rằng có thể xác định được từng bảng gốc. Đây không phải là luôn luôn như vậy. Hàm 
    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    2 cung cấp một giải pháp thuận tiện với đối số 
    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    3, bổ sung thêm một chỉ mục hàng [phân cấp]. Ví dụ

    In [15]: air_quality_ = pd.concat[[air_quality_pm25, air_quality_no2], keys=["PM25", "NO2"]]

In [16]: air_quality_.head[]
Out[16]: 
                         date.utc location parameter  value
PM25 0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
     1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
     2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
     3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
     4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5

    Ghi chú

    Việc tồn tại nhiều chỉ số hàng/cột cùng lúc chưa được đề cập trong các hướng dẫn này. Lập chỉ mục phân cấp hoặc MultiIndex là một tính năng gấu trúc tiên tiến và mạnh mẽ để phân tích dữ liệu chiều cao hơn

    Đa chỉ mục nằm ngoài phạm vi giới thiệu gấu trúc này. Hiện tại, hãy nhớ rằng hàm 

    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    4 có thể được sử dụng để chuyển đổi bất kỳ cấp độ nào của chỉ mục thành cột, e. g. 
    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    5

    Để hướng dẫn sử dụng

    Hãy thoải mái khám phá thế giới đa chỉ mục tại phần hướng dẫn sử dụng trên

    Để hướng dẫn sử dụng

    Các tùy chọn khác về nối bảng [khôn ngoan theo hàng và cột] và cách sử dụng 

    In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
    2 để xác định logic [liên kết hoặc giao nhau] của các chỉ mục trên các trục khác được cung cấp tại phần trên

    Tham gia các bảng bằng mã định danh chung

    • Thêm tọa độ trạm do bảng siêu dữ liệu trạm cung cấp vào các hàng tương ứng trong bảng phép đo

      Cảnh báo

      Tọa độ trạm đo chất lượng không khí được lưu trữ trong tệp dữ liệu 

      In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      7, được tải xuống bằng gói py-openaq

      In [17]: stations_coord = pd.read_csv["data/air_quality_stations.csv"]

In [18]: stations_coord.head[]
Out[18]: 
  location  coordinates.latitude  coordinates.longitude
0  BELAL01              51.23619                4.38522
1  BELHB23              51.17030                4.34100
2  BELLD01              51.10998                5.00486
3  BELLD02              51.12038                5.02155
4  BELR833              51.32766                4.36226

      Ghi chú

      Các trạm được sử dụng trong ví dụ này [FR04014, BETR801 và London Westminster] chỉ là ba mục được đưa vào bảng siêu dữ liệu. Chúng tôi chỉ muốn thêm tọa độ của ba điểm này vào bảng đo, mỗi điểm nằm trên các hàng tương ứng của bảng 

      In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      8

      In [19]: air_quality.head[]
Out[19]: 
                       date.utc            location parameter  value
2067  2019-05-07 01:00:00+00:00  London Westminster       no2   23.0
1003  2019-05-07 01:00:00+00:00             FR04014       no2   25.0
100   2019-05-07 01:00:00+00:00             BETR801      pm25   12.5
1098  2019-05-07 01:00:00+00:00             BETR801       no2   50.5
1109  2019-05-07 01:00:00+00:00  London Westminster      pm25    8.0


      In [20]: air_quality = pd.merge[air_quality, stations_coord, how="left", on="location"]

In [21]: air_quality.head[]
Out[21]: 
                    date.utc  .. coordinates.longitude
0  2019-05-07 01:00:00+00:00  ..              -0.13193
1  2019-05-07 01:00:00+00:00  ..               2.39390
2  2019-05-07 01:00:00+00:00  ..               2.39390
3  2019-05-07 01:00:00+00:00  ..               4.43182
4  2019-05-07 01:00:00+00:00  ..               4.43182

[5 rows x 6 columns]

      Sử dụng hàm, đối với mỗi hàng trong bảng 

      In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      8, các tọa độ tương ứng được thêm vào từ bảng 
      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      1. Cả hai bảng đều có chung cột 
      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      2 được dùng làm khóa để kết hợp thông tin. Bằng cách chọn tham gia 
      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      3, chỉ những vị trí có sẵn trong bảng 
      In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      8 [bên trái], tôi. e. FR04014, BETR801 và London Westminster, kết thúc trong bảng kết quả. Hàm 
      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      5 hỗ trợ nhiều tùy chọn tham gia tương tự như các thao tác kiểu cơ sở dữ liệu

    • Thêm tên và mô tả đầy đủ của tham số, được cung cấp bởi bảng siêu dữ liệu tham số, vào bảng phép đo

      Cảnh báo

      Siêu dữ liệu về thông số chất lượng không khí được lưu trữ trong tệp dữ liệu 

      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      6, được tải xuống bằng gói py-openaq

      In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
      0

      In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
      1

      So với ví dụ trước, không có tên cột chung. Tuy nhiên, cột 

      In [2]: air_quality_no2 = pd.read_csv["data/air_quality_no2_long.csv",
   ...:                               parse_dates=True]
   ...: 

In [3]: air_quality_no2 = air_quality_no2[["date.utc", "location",
   ...:                                    "parameter", "value"]]
   ...: 

In [4]: air_quality_no2.head[]
Out[4]: 
                    date.utc location parameter  value
0  2019-06-21 00:00:00+00:00  FR04014       no2   20.0
1  2019-06-20 23:00:00+00:00  FR04014       no2   21.8
2  2019-06-20 22:00:00+00:00  FR04014       no2   26.5
3  2019-06-20 21:00:00+00:00  FR04014       no2   24.9
4  2019-06-20 20:00:00+00:00  FR04014       no2   21.4
      6 trong bảng 
      In [5]: air_quality_pm25 = pd.read_csv["data/air_quality_pm25_long.csv",
   ...:                                parse_dates=True]
   ...: 

In [6]: air_quality_pm25 = air_quality_pm25[["date.utc", "location",
   ...:                                      "parameter", "value"]]
   ...: 

In [7]: air_quality_pm25.head[]
Out[7]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      8 và cột 
      In [8]: air_quality = pd.concat[[air_quality_pm25, air_quality_no2], axis=0]

In [9]: air_quality.head[]
Out[9]: 
                    date.utc location parameter  value
0  2019-06-18 06:00:00+00:00  BETR801      pm25   18.0
1  2019-06-17 08:00:00+00:00  BETR801      pm25    6.5
2  2019-06-17 07:00:00+00:00  BETR801      pm25   18.5
3  2019-06-17 06:00:00+00:00  BETR801      pm25   16.0
4  2019-06-17 05:00:00+00:00  BETR801      pm25    7.5
      9 trong bảng 
      In [10]: print['Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape]
Shape of the ``air_quality_pm25`` table:  [1110, 4]

In [11]: print['Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape]
Shape of the ``air_quality_no2`` table:  [2068, 4]

In [12]: print['Shape of the resulting ``air_quality`` table: ', air_quality.shape]
Shape of the resulting ``air_quality`` table:  [3178, 4]
      0 đều cung cấp biến đo lường ở một định dạng chung. Các đối số 
      In [10]: print['Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape]
Shape of the ``air_quality_pm25`` table:  [1110, 4]

In [11]: print['Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape]
Shape of the ``air_quality_no2`` table:  [2068, 4]

In [12]: print['Shape of the resulting ``air_quality`` table: ', air_quality.shape]
Shape of the resulting ``air_quality`` table:  [3178, 4]
      1 và 
      In [10]: print['Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape]
Shape of the ``air_quality_pm25`` table:  [1110, 4]

In [11]: print['Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape]
Shape of the ``air_quality_no2`` table:  [2068, 4]

In [12]: print['Shape of the resulting ``air_quality`` table: ', air_quality.shape]
Shape of the resulting ``air_quality`` table:  [3178, 4]
      2 được sử dụng ở đây [thay vì chỉ 
      In [10]: print['Shape of the ``air_quality_pm25`` table: ', air_quality_pm25.shape]
Shape of the ``air_quality_pm25`` table:  [1110, 4]

In [11]: print['Shape of the ``air_quality_no2`` table: ', air_quality_no2.shape]
Shape of the ``air_quality_no2`` table:  [2068, 4]

In [12]: print['Shape of the resulting ``air_quality`` table: ', air_quality.shape]
Shape of the resulting ``air_quality`` table:  [3178, 4]
      3] để tạo liên kết giữa hai bảng

    Để hướng dẫn sử dụng

    gấu trúc cũng hỗ trợ các phép nối bên trong, bên ngoài và bên phải. Thông tin thêm về nối/hợp nhất các bảng được cung cấp trong phần hướng dẫn sử dụng trên. Hoặc xem trang

    Chúng ta có thể có nhiều lược đồ bảng không?

    *Các ứng dụng của bên thứ ba có thể được đưa vào các lược đồ riêng biệt để chúng không xung đột với tên của các đối tượng khác. Các lược đồ tương tự như các thư mục ở cấp hệ điều hành, ngoại trừ việc các lược đồ không thể lồng vào nhau .

    DB có thể có nhiều bảng không?

    Phần lớn cơ sở dữ liệu mà bạn sẽ làm việc với tư cách là nhà phát triển sẽ có nhiều bảng và các bảng đó sẽ được kết nối với nhau theo nhiều cách khác nhau để tạo thành các mối quan hệ bảng.

    Chúng ta có thể tạo bảng bằng Python không?

    Python cung cấp khả năng dễ dàng biến một số loại dữ liệu dạng bảng nhất định thành bảng văn bản thuần túy được định dạng đẹp mắt và đó là chức năng lập bảng.

    Bài Viết Liên Quan

    Hình ảnh không tải trong HTML
    1 5h bằng bao nhiêu giây
    Làm thế nào để tôi có được ngày thứ sáu trước đó trong python?
    Php curl to cong
    Tôi có nên đăng ký anaconda làm con trăn mặc định của mình không?
    Las Vegas cho thấy 2023 tháng hai
    Constructor trong PHP là gì?
    Làm cách nào để chuyển đổi Google Trang tính thành JSON?
    Cách đặt tên huyền thoại trong google sheet
    Đối tượng đối số trong JavaScript là gì?
    Cách lấy tất cả cookie trong React
    XÂY DỰNG KHÔNG THÀNH CÔNG (OS X 10.15 7 sử dụng python-build 20230424)
    Giá cửa gỗ gõ đỏ bao nhiêu 1m2
    Tôi có nên luôn sử dụng === trong javascript không?
    Giảm giá năm mới 2023 Úc
    Làm cách nào để bắt đầu một dự án Laravel?
    Danh sách 2D cho vòng lặp Python
    Làm cách nào để thay thế nội dung của tệp trong python?
    Xóa văn bản khỏi ô Excel
    Các chế độ tệp khác nhau trong PHP là gì?

    Toplist mới

    #1
    Top 7 tết mậu thân năm 1968 đã diễn ra sự kiện gì ở miền nam nước ta 2023
    6 tháng trước
    #2
    Top 13 luyện từ và câu: dấu gạch ngang lớp 4 trang 45 2023
    6 tháng trước
    #3
    Top 6 trong mặt phẳng oxy ảnh của đường thẳng d 3x y 4=0 2023
    6 tháng trước
    #4
    Top 6 thử thách thần chết thuyết minh phần 2 2023
    6 tháng trước
    #5
    Top 4 vở bài tập tiếng việt lớp 3 tập 2 chính tả trang 15 2023
    6 tháng trước
    #6
    Top 5 áo khoác nam quảng châu cao cấp 2023
    6 tháng trước
    #7
    Top 4 nội dung nào sau đây không phải là trách nhiệm của đơn vị đầu mối cung cấp thông tin 2023
    6 tháng trước
    #8
    Top 9 mẫu đồng phục công sở đẹp 2022 2023
    6 tháng trước
    #9
    Top 5 ốp lưng iphone 13 pro bảo vệ camera 2023
    6 tháng trước

    Bài mới nhất

    Cải làm dưa chua là cải gì năm 2024
    Các sản phẩm làm đẹp tiếng anh là gì năm 2024
    Bán hàng phát sinh giảm giá hoạch toán tn năm 2024
    Lá thư trong tiếng anh là gì năm 2024
    Mẫu hợp đồng thanh toán qua bên thứ 3 năm 2024
    Giải sách bài tập tiếng anh lớp 7 trang 8 năm 2024
    1994 sinh con năm 2023 tháng nào tốt năm 2024
    Dịch vụ chuyển văn phòng tại thanh hóa năm 2024
    Cách khắc phục lỗi máy tính bị màn hình xanh năm 2024
    Các trường của 1 đối tượng là gì năm 2024

    Chủ Đề

    programming Hỏi Đáp Là gì Mẹo Hay Toplist Địa Điểm Hay Học Tốt mẹo hay Công Nghệ Nghĩa của từ Bao nhiêu Khỏe Đẹp đánh giá Tiếng anh Top List bao nhieu bao nhiêu hướng dẫn Món Ngon So Sánh Bài tập So sánh Xây Đựng Sản phẩm tốt Ngôn ngữ Bài Tập javascript Ở đâu Thế nào Hướng dẫn Dịch Tại sao Máy tính Đại học