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 21.42 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 21.43 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
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 21.45 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 21.46 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 21.47 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 21.48 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 21.49 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 7.50]
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 21.46 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 7.52 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 7.53, 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 7.54 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 7.55
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 7.52 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-openaqIn [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
8In [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 bảngIn [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 cộtIn [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 giaIn [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 bảngIn [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. HàmIn [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-openaqIn [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
0In [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
1So 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 bảngIn [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 cộtIn [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 bảngIn [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 sốIn [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 vàIn [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 chỉIn [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