search

Buat kerangka data secara dinamis dengan python

1 years ago
Komentar: 0
Dibaca: 72

Pandas adalah alat khusus yang memungkinkan kita melakukan manipulasi data yang rumit secara efektif dan efisien. Di dalam panda, kami kebanyakan berurusan dengan kumpulan data dalam bentuk DataFrame. DataFrames adalah struktur data 2 dimensi dalam panda. DataFrames terdiri dari baris, kolom, dan data

Show

Filter DataFrame panda secara dinamis

Jadi, kami membuat DataFrame dengan banyak kolom dan kemudian kami perlu memfilter df menggunakan ambang batas untuk tiga kolom

Kita dapat melakukan ini hanya dengan menerapkan semua kondisi dan jika data memenuhi kondisi tersebut, maka akan menjadi hasil akhir. Namun, kita perlu melakukan ini di dalam fungsi di mana nama ambang dan kolom diberikan dalam bentuk kamus

Untuk tujuan ini, kami akan menggunakan cara cepat dan mudah untuk melakukan ini. Kami akan membuat kueri dinamis menggunakan pemahaman daftar dan metode penggabungan string

Terakhir, kami memiliki metode yang disebut panda. Bingkai Data. query() di dalamnya kita dapat meneruskan kueri apa pun yang dipahami dan secara dinamis akan menghitung semua hasil

Ini adalah repositori untuk contoh singkat dan manis serta tautan untuk resep panda yang bermanfaat. Kami mendorong pengguna untuk menambahkan dokumentasi ini

Menambahkan tautan menarik dan/atau contoh sebaris ke bagian ini adalah Permintaan Tarik Pertama yang bagus

Contoh in-line yang disederhanakan, padat, ramah pengguna baru, telah dimasukkan jika memungkinkan untuk menambah tautan Stack-Overflow dan GitHub. Banyak tautan berisi informasi yang diperluas, di atas yang ditawarkan contoh sebaris

Pandas (pd) dan Numpy (np) adalah satu-satunya dua modul impor yang disingkat. Sisanya disimpan secara eksplisit diimpor untuk pengguna baru

Contoh-contoh ini ditulis untuk Python 3. Perubahan kecil mungkin diperlukan untuk versi python sebelumnya

Idiom

Ini adalah beberapa panda yang rapi 

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
4

if-then/if-then-else pada satu kolom, dan penugasan ke satu atau beberapa kolom lainnya

In [1]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ...:                    'BBB': [10, 20, 30, 40],
   ...:                    'CCC': [100, 50, -30, -50]})
   ...: 

In [2]: df
Out[2]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
_

jika kemudian…

Sebuah jika-maka pada satu kolom

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50

Jika-maka dengan penugasan ke 2 kolom

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555

Tambahkan baris lain dengan logika berbeda, untuk melakukan -else

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_

Atau gunakan panda di mana setelah Anda menyiapkan topeng

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000

if-then-else menggunakan numpy's where()

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_

Pemisahan

Pisahkan bingkai dengan kriteria boolean

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50

Kriteria Bangunan

Pilih dengan kriteria multi-kolom

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

…dan (tanpa penugasan mengembalikan Seri)

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
_

…atau (tanpa penugasan mengembalikan Seri)

In [22]: df.loc[(df['BBB'] > 25) | (df['CCC'] >= -40), 'AAA']
Out[22]: 
0    4
1    5
2    6
3    7
Name: AAA, dtype: int64

…atau (dengan penugasan memodifikasi DataFrame. )

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
0

Pilih baris dengan data yang paling dekat dengan nilai tertentu menggunakan argsort

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
1

Secara dinamis mengurangi daftar kriteria menggunakan operator biner

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
2

Seseorang dapat membuat kode keras

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
_3

…Atau dapat dilakukan dengan daftar kriteria yang dibangun secara dinamis

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
_4

Pilihan

Bingkai Data

Dokumen

Menggunakan label baris dan persyaratan nilai

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
5

Gunakan loc untuk pemotongan berorientasi label dan pemotongan posisi iloc

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
6

Ada 2 metode pemotongan eksplisit, dengan kasus umum ketiga

  1. Berorientasi posisi (gaya mengiris Python. eksklusif dari akhir)
  2. Berorientasi label (Gaya pengiris non-Python. termasuk akhir)
  3. Umum (Gaya mengiris. tergantung pada apakah irisan berisi label atau posisi)

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
7

Ambiguitas muncul ketika indeks terdiri dari bilangan bulat dengan permulaan bukan nol atau kenaikan non-unit

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
_8

Menggunakan operator invers (~) untuk mengambil komplemen dari sebuah mask

In [3]: df.loc[df.AAA >= 5, 'BBB'] = -1

In [4]: df
Out[4]: 
   AAA  BBB  CCC
0    4   10  100
1    5   -1   50
2    6   -1  -30
3    7   -1  -50
_9

Panel

Perpanjang bingkai panel dengan mentranspos, menambahkan dimensi baru, dan mentranspos kembali ke dimensi aslinya

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
0

Tutupi panel dengan menggunakan np. di mana dan kemudian merekonstruksi panel dengan nilai-nilai baru yang disamarkan

Kolom Baru

Membuat kolom baru secara efisien dan dinamis menggunakan applymap

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
1

Pertahankan kolom lain saat menggunakan min() dengan groupby

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
2

Metode 1. idxmin() untuk mendapatkan indeks minimum

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
_3

Metode 2. urutkan lalu ambil masing-masing terlebih dahulu

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
_4

Perhatikan hasil yang sama, kecuali indeks

MultiIndexing

Dokumen

Membuat MultiIndex dari bingkai berlabel

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
5

Hitung

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
6

Mengiris

Mengiris MultiIndex dengan xs

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
_7

Untuk mengambil penampang level 1 dan sumbu 1 indeks

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
8

…dan sekarang level ke-2 dari sumbu ke-1

In [5]: df.loc[df.AAA >= 5, ['BBB', 'CCC']] = 555

In [6]: df
Out[6]: 
   AAA  BBB  CCC
0    4   10  100
1    5  555  555
2    6  555  555
3    7  555  555
_9

Mengiris MultiIndex dengan xs, metode #2

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_0

Menyetel porsi MultiIndex dengan xs

Penyortiran

Urutkan berdasarkan kolom tertentu atau daftar kolom yang diurutkan, dengan MultiIndex

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_1

Seleksi Parsial, kebutuhan akan penyortiran;

Level

Menambahkan level ke multiindex

Meratakan kolom hierarkis

Data Hilang

Dokumen

Isi maju deret waktu terbalik

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_2

cumsum reset pada nilai NaN

Mengganti

Menggunakan ganti dengan backrefs

Pengelompokan

Dokumen

Pengelompokan dasar dengan apply

Tidak seperti agg, callable apply diberikan sub-DataFrame yang memberi Anda akses ke semua kolom

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_3

Menggunakan get_group

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_4

Terapkan ke berbagai item dalam grup

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_5

Memperluas Terapkan

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_6

Mengganti beberapa nilai dengan rata-rata kelompok lainnya

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_7

Urutkan grup berdasarkan data gabungan

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_8

Buat beberapa kolom gabungan

In [7]: df.loc[df.AAA < 5, ['BBB', 'CCC']] = 2000

In [8]: df
Out[8]: 
   AAA   BBB   CCC
0    4  2000  2000
1    5   555   555
2    6   555   555
3    7   555   555
_9

Buat kolom jumlah nilai dan tetapkan kembali ke DataFrame

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
0

Geser grup nilai dalam kolom berdasarkan indeks

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
1

Pilih baris dengan nilai maksimum dari setiap grup

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
2

Pengelompokan seperti itertools Python. groupby

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_3

Memperluas Data

Keselarasan dan terkini

Jendela Rolling Computation berdasarkan nilai, bukan jumlah

Rata-Rata Bergulir berdasarkan Interval Waktu

Pemisahan

Buat daftar kerangka data, pisahkan menggunakan penggambaran berdasarkan logika yang disertakan dalam baris

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_4

Poros

Dokumen

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
5

Tabel frekuensi seperti plyr di R

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_6

Plot panda DataFrame dengan data tahun ke tahun

Untuk membuat tabulasi silang tahun dan bulan

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_7

Berlaku

Rolling Apply to Organize - Mengubah daftar yang disematkan menjadi bingkai MultiIndex

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_8

Rolling Terapkan dengan DataFrame mengembalikan Seri

Bergulir Terapkan ke beberapa kolom tempat fungsi menghitung Seri sebelum Skalar dari Seri dikembalikan

In [9]: df_mask = pd.DataFrame({'AAA': [True] * 4,
   ...:                         'BBB': [False] * 4,
   ...:                         'CCC': [True, False] * 2})
   ...: 

In [10]: df.where(df_mask, -1000)
Out[10]: 
   AAA   BBB   CCC
0    4 -1000  2000
1    5 -1000 -1000
2    6 -1000   555
3    7 -1000 -1000
_9

Bergulir Terapkan ke beberapa kolom di mana fungsi mengembalikan Skalar (Harga Rata-Rata Tertimbang Volume)

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_0

Deret waktu

Antara waktu

Menggunakan pengindeks antara waktu

Pencarian Vektor

Agregasi dan merencanakan deret waktu

Ubah matriks dengan jam dalam kolom dan hari dalam baris menjadi urutan baris kontinu dalam bentuk deret waktu. Bagaimana cara mengatur ulang DataFrame panda Python?

Berurusan dengan duplikat saat mengindeks ulang deret waktu ke frekuensi yang ditentukan

Hitung hari pertama setiap bulan untuk setiap entri dalam DatetimeIndex

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_1

Pengambilan sampel ulang

Dokumen

Menggunakan Grouper alih-alih TimeGrouper untuk pengelompokan nilai waktu

Pengelompokan waktu dengan beberapa nilai yang hilang

Pengelompokan menggunakan MultiIndex

Menggunakan TimeGrouper dan pengelompokan lain untuk membuat subgrup, lalu terapkan fungsi khusus

Pengambilan sampel ulang dengan periode khusus

Contoh ulang bingkai harian tanpa menambahkan hari baru

Contoh ulang data menit

Contoh ulang dengan groupby

Menggabungkan

Dokumen. Dokumen

Tambahkan dua kerangka data dengan indeks yang tumpang tindih (tiru R rbind)

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_2

Tergantung pada konstruksi df, 

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
5 mungkin diperlukan

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_3

Gabung Sendiri dari DataFrame

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_4

Cara mengatur indeks dan bergabung

Bergabung dengan kriteria berdasarkan nilai-nilai

Menggunakan searchsorted untuk menggabungkan berdasarkan nilai di dalam rentang

Merencanakan

Dokumen

Jadikan Matplotlib terlihat seperti R

Mengatur label mayor dan minor sumbu x

Merencanakan banyak bagan dalam notebook ipython

Membuat plot multi-garis

Merencanakan peta panas

Anotasi plot deret waktu

Anotasi plot deret waktu #2

Hasilkan plot Tersemat dalam file excel menggunakan Pandas, Vincent dan xlsxwriter

Boxplot untuk setiap kuartil dari variabel stratifikasi

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_5

Buat kerangka data secara dinamis dengan python

Data Masuk/Keluar

Perbandingan kinerja SQL vs HDF5

CSV

Dokumen

read_csv beraksi

menambahkan ke csv

Hanya membaca baris tertentu dari potongan demi potongan csv

Membaca beberapa baris pertama dari sebuah bingkai

Membaca file yang dikompresi tetapi tidak oleh 

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
6 (format terkompresi asli yang dipahami 
In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
7). Contoh ini menunjukkan file 
In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
_8, tetapi merupakan aplikasi umum untuk membuka file dalam pengelola konteks dan menggunakan pegangan itu untuk membaca. Lihat disini

Menyimpulkan dtypes dari file

Berurusan dengan jalur yang buruk

Berurusan dengan jalur yang buruk II

Membaca CSV dengan stempel waktu Unix dan mengonversi ke zona waktu lokal

Tulis CSV indeks multi-baris tanpa menulis duplikat

Membaca banyak file untuk membuat satu DataFrame

Cara terbaik untuk menggabungkan beberapa file ke dalam satu DataFrame adalah dengan membaca frame individual satu per satu, memasukkan semua frame individual ke dalam daftar, lalu menggabungkan frame dalam daftar menggunakan 

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
9

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_6

Anda dapat menggunakan pendekatan yang sama untuk membaca semua file yang cocok dengan suatu pola. Berikut adalah contoh menggunakan 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
_0

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_7

Terakhir, strategi ini akan berfungsi dengan fungsi 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
_1 lainnya yang dijelaskan dalam

Mengurai komponen tanggal dalam multi-kolom

Mengurai komponen tanggal dalam multi-kolom lebih cepat dengan format

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_8

Lewati baris antara header dan data

In [11]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [12]: df
Out[12]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [13]: df['logic'] = np.where(df['AAA'] > 5, 'high', 'low')

In [14]: df
Out[14]: 
   AAA  BBB  CCC logic
0    4   10  100   low
1    5   20   50   low
2    6   30  -30  high
3    7   40  -50  high
_9

Pilihan 1. lewati baris secara eksplisit untuk melewati baris

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
0

pilihan 2. membaca nama kolom dan kemudian data

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
1

SQL

Dokumen

Membaca dari database dengan SQL

Unggul

Dokumen

Membaca dari pegangan seperti file

Memodifikasi pemformatan dalam keluaran XlsxWriter

HTML

Membaca tabel HTML dari server yang tidak dapat menangani header permintaan default

HDFStore

Dokumen

Kueri Sederhana dengan Indeks Stempel Waktu

Mengelola data heterogen menggunakan hierarki beberapa tabel yang ditautkan

Menghindari ketidakkonsistenan saat menulis ke toko dari berbagai proses/utas

De-duplikasi toko besar dengan bongkahan, pada dasarnya adalah operasi reduksi rekursif. Menampilkan fungsi untuk mengambil data dari file csv dan membuat toko berdasarkan potongan, dengan parsing tanggal juga.

Alur kerja Data Besar

Membaca dalam urutan file, lalu memberikan indeks unik global ke toko saat menambahkan

Groupby di HDFStore dengan kepadatan grup rendah

Menghitung dengan HDFStore

Memecahkan masalah pengecualian HDFStore

Setting min_itemsize dengan string

Menggunakan ptrepack untuk membuat indeks yang disortir sepenuhnya di toko

Menyimpan Atribut ke node grup

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
2

File Biner

panda siap menerima array catatan NumPy, jika Anda perlu membaca dalam file biner yang terdiri dari array struct C. Misalnya, diberikan program C ini dalam file bernama 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
2 yang dikompilasi dengan 
In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
3 pada mesin 64-bit,

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
3

kode Python berikut akan membaca file biner 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
4 menjadi panda 
In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
5, di mana setiap elemen struct sesuai dengan kolom dalam bingkai

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
4

Catatan

Offset elemen struktur mungkin berbeda tergantung pada arsitektur mesin tempat file dibuat. Menggunakan format file biner mentah seperti ini untuk penyimpanan data umum tidak disarankan, karena tidak lintas platform. Kami merekomendasikan HDF5 atau msgpack, keduanya didukung oleh fasilitas IO panda

Komputasi

Integrasi numerik (berbasis sampel) dari deret waktu

Korelasi

Seringkali berguna untuk mendapatkan bentuk segitiga bawah (atau atas) dari matriks korelasi yang dihitung dari. Ini dapat dicapai dengan meneruskan topeng boolean ke 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
7 sebagai berikut

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
5

Argumen metode dalam DataFrame. corr dapat menerima callable selain jenis korelasi yang disebutkan. Di sini kita menghitung matriks korelasi jarak untuk objek DataFrame

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
6

Timedelta

Dokumen

Menggunakan timedelta

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
7

Menambah dan mengurangi delta dan tanggal

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
_8

Contoh lain

Nilai dapat diatur ke NaT menggunakan np. nan, mirip dengan datetime

In [15]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [16]: df
Out[16]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50

In [17]: df[df.AAA <= 5]
Out[17]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50

In [18]: df[df.AAA > 5]
Out[18]: 
   AAA  BBB  CCC
2    6   30  -30
3    7   40  -50
_9

Aliasing Axis Names

Untuk memberikan alias secara global untuk nama sumbu, seseorang dapat mendefinisikan 2 fungsi ini

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
0

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
_1

In [19]: df = pd.DataFrame({'AAA': [4, 5, 6, 7],
   ....:                    'BBB': [10, 20, 30, 40],
   ....:                    'CCC': [100, 50, -30, -50]})
   ....: 

In [20]: df
Out[20]: 
   AAA  BBB  CCC
0    4   10  100
1    5   20   50
2    6   30  -30
3    7   40  -50
_2

Membuat Contoh Data

Untuk membuat bingkai data dari setiap kombinasi dari beberapa nilai yang diberikan, seperti fungsi 

In [21]: df.loc[(df['BBB'] < 25) & (df['CCC'] >= -40), 'AAA']
Out[21]: 
0    4
1    5
Name: AAA, dtype: int64
8 R, kita dapat membuat dict di mana kuncinya adalah nama kolom dan nilainya adalah daftar nilai data

Bagaimana Anda membuat DataFrame dinamis?

Inilah cara kami melakukannya. .
Buat Kamus kosong. Ini akan menahan pasangan nilai kunci kami dari For Loop
Mulai For Loop menggunakan file sebagai iterator kami
Tetapkan nama untuk kunci. Dalam kasus saya, saya menggunakan nama file
Baca DataFrame menggunakan pd. read_csv
Tambahkan pasangan nilai kunci ke kamus

Bagaimana cara membuat DataFrame dinamis di PySpark?

Siapkan PySpark 1. x .
Buat SparkContext
Buat SQLContext
Buat HiveContext
Buat DataFrame menggunakan. fungsi toDF()
Buat DataFrame menggunakan fungsi createDataFrame()
Buat DataFrame menggunakan kombinasi fungsi createDataFrame() dan skema StructType
Muat file CSV
Baca file TXT

Bagaimana Anda membuat DataFrame dalam satu lingkaran dengan Python?

Langkah 1 - Impor perpustakaan. impor panda sebagai pd. .
Langkah 2 - Siapkan Data. df=pd. DataFrame({'Tabel 9'. [9,18,27], 'Tabel 10'. [10,20,30]}).
Langkah 3 - Menambahkan bingkai data dalam for loop. untuk saya dalam rentang (4,11). df=df. tambahkan({'Tabel 9'. i*9,'Tabel 10'. i*10},ignore_index=True).
Langkah 4 - Mencetak hasil. cetak('df\n',df)

Bagaimana Anda menambahkan kolom secara dinamis dengan Python?

Buat Kolom Secara Dinamis di Pandas Dataframe .
Normalisasi Rangkaian Waktu Berjendela. .
Konversikan Semua Kolom Non-numerik ke Tipe Data Kategori. .
Membuat Kolom Total Berjalan di Pandas. .
Pivoting Bingkai Data Panda. .
Mengganti Nama Kolom dalam Bingkai Data Pandas Menggunakan Kamus dan Daftar. .
Cara Menghapus Tanda Baca Dari Teks dengan Python

kode python

Pos Terkait

Cara menggunakan classmethod vs @staticmethod python
Cara menggunakan classmethod vs @staticmethod python

Bagaimana Anda menghapus beberapa karakter terakhir dari sebuah string dengan python?
Bagaimana Anda menghapus beberapa karakter terakhir dari sebuah string dengan python?

Cara menggunakan google sheets abbreviate numbers
Cara menggunakan google sheets abbreviate numbers

Bagaimana cara memasukkan banyak file excel ke dalam beberapa tabel di ssis?
Bagaimana cara memasukkan banyak file excel ke dalam beberapa tabel di ssis?

Cara menggunakan date format milliseconds mysql
Cara menggunakan date format milliseconds mysql

Bagaimana Anda mencetak hanya satu karakter dengan python?
Bagaimana Anda mencetak hanya satu karakter dengan python?

Cara menggunakan python empty variable
Cara menggunakan python empty variable

Bagaimana Anda membagi titik dalam javascript?
Bagaimana Anda membagi titik dalam javascript?

Tambahkan daftar ke matriks python
Tambahkan daftar ke matriks python

Cara menggunakan mysql migration tool
Cara menggunakan mysql migration tool

Periklanan

BERITA TERKINI

Cara menggunakan email html
1 years ago . by LegitimateSubcommittee
JavaScript substring first and last character
1 years ago . by UsualShopping
Bagaimana cara menjalankan tugas cron dalam skrip php?
1 years ago . by SerialSubscription
Php dan modul mysql pdf
1 years ago . by ShockingSwimmer
Print range list Python
1 years ago . by InspirationalCollaborator
Php dapatkan semua variabel lingkungan
1 years ago . by PrimaryIrrigation
Cara menggunakan dateiff postgresql
1 years ago . by PreviousLiner
Can you lock a Google sheet from editing?
1 years ago . by Double-breastedDollar
Bagaimana cara menambahkan data dari api ke google sheets?
1 years ago . by ExtensiveBingo
Bagaimana cara memasukkan skrip ke google sheets?
1 years ago . by MadStorey

Toplist Popular

#1
Top 7 rothenburg ob der tauber sehenswürdigkeiten stadtplan 2022
1 years ago
#2
Top 8 rufumleitung für bestimmte nummern android 2022
1 years ago
#3
Top 8 mündliche prüfung 2. staatsexamen jura bayern 2022
1 years ago
#4
Top 8 wenn kleinigkeiten am partner stören 2022
1 years ago
#5
Top 7 hilfsmittel für behinderte im alltag 2022
1 years ago
#6
Top 8 wann gilt lkw-fahrverbot in deutschland? 2022
1 years ago
#7
Top 7 wookie und copilot von han solo in star wars 2022
1 years ago
#8
Top 6 cafe da manha pobre 2022
1 years ago
#9
Top 7 bildung und teilhabe mühlhausen telefonnummer 2022
1 years ago
#10
Top 6 tiguan allspace 3 sitzreihe nachrüsten 2022
1 years ago

Periklanan

Terpopuler

Token Data

Periklanan

Tentang Kami

Legal

Dukungan

Social

homeentr
Copyright © 2024 kemunculan Inc.