Bagaimanakah \"Axis\" Berfungsi dalam Pandas: Rows vs. Columns?

Memahami "Paksi" dalam Panda

Apabila bekerja dengan Panda, konsep "paksi" memainkan peranan penting dalam pelbagai operasi, termasuk pengiraan statistik seperti min. Dalam konteks ini, parameter paksi menentukan arah sepanjang operasi dijalankan.

Secara lalai, nilai paksi ialah 0, yang menunjukkan operasi sepanjang baris (indeks) DataFrame. Walau bagaimanapun, seseorang boleh menetapkan nilai paksi secara eksplisit kepada 1 untuk melaksanakan operasi di sepanjang lajur sebaliknya.

Pertimbangkan contoh berikut:

<code class="python">import pandas as pd
import numpy as np

# Generate a DataFrame with random values
dff = pd.DataFrame(np.random.randn(1, 2), columns=list('AB'))

# Calculate the mean along each column
mean_columns = dff.mean(axis=1)</code>

Dalam kes ini, menyatakan axis=1 bermakna bahawa fungsi min akan mengira nilai min bagi setiap lajur dalam DataFrame. Output yang dijangkakan ialah:

0    1.074821
dtype: float64

Ini berbeza daripada hasil yang anda jangkakan jika anda telah menggunakan axis=0, yang akan mengira nilai min untuk setiap baris, menghasilkan output berikut:

A    0.626386
B    1.523255
dtype: float64

Untuk menjelaskan lebih lanjut, parameter paksi dalam Pandas sejajar dengan penggunaan paksi dalam fungsi min NumPy. Apabila paksi tidak dinyatakan secara eksplisit dalam min NumPy, ia lalai kepada Tiada, yang meratakan tatasusunan sebelum mengira min. Oleh itu, menentukan paksi=0 dalam Panda sepadan dengan pengiraan min sepanjang baris (memandangkan indeks dalam Panda mewakili baris), manakala menentukan paksi=1 sepadan dengan pengiraan min sepanjang lajur.

Untuk lebih jelas , anda juga boleh menggunakan axis='index' dan bukannya axis=0 dan axis='columns' dan bukannya axis=1, menjadikannya jelas dengan jelas pada paksi mana operasi dijalankan.

Atas ialah kandungan terperinci Bagaimanakah \"Axis\" Berfungsi dalam Pandas: Rows vs. Columns?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!