Computer >> कंप्यूटर >  >> प्रोग्रामिंग >> Python

पायथन पांडा - बहुपद इंटरपोलेशन के साथ NaN भरें

NaN को बहुपद प्रक्षेप से भरने के लिए, इंटरपोलेट () . का उपयोग करें पंडों श्रृंखला पर विधि। इसके साथ, “विधि . सेट करें "बहुपद . के लिए पैरामीटर .

सबसे पहले, आवश्यक पुस्तकालयों को आयात करें -

import pandas as pd
import numpy as np

कुछ NaN मानों के साथ एक पांडा श्रृंखला बनाएँ। हमने numpy np.nan . का उपयोग करके NaN सेट किया है -

d = pd.Series([10, 20, np.nan, 65, 75, 85, np.nan, 100])

इंटरपोलेट () विधि के विधि पैरामीटर का उपयोग करके बहुपद प्रक्षेप खोजें -

d.interpolate(method='polynomial', order=2)

उदाहरण

निम्नलिखित कोड है -

import pandas as pd
import numpy as np

# pandas series
d = pd.Series([10, 20, np.nan, 65, 75, 85, np.nan, 100])

print"Series...\n",d

# interpolate
print"\nPolynomial Interpolation...\n",d.interpolate(method='polynomial', order=2)

आउटपुट

यह निम्नलिखित आउटपुट उत्पन्न करेगा -

Series...
0   10.0
1   20.0
2    NaN
3   65.0
4   75.0
5   85.0
6    NaN
7  100.0
dtype: float64

Polynomial Interpolation...
0   10.000000
1   20.000000
2   42.854015
3   65.000000
4   75.000000
5   85.000000
6   93.532847
7  100.000000
dtype: float64

  1. पायथन पांडा - डेटाफ़्रेम में सभी NaN तत्वों को 0s . से बदलें

    NaN मानों को बदलने के लिए, fillna() विधि का उपयोग करें। मान लें कि Microsoft Excel में कुछ NaN मानों के साथ खोली गई हमारी CSV फ़ाइल निम्नलिखित है - सबसे पहले, आवश्यक पुस्तकालय आयात करें - import pandas as pd CSV फ़ाइल से डेटा को पंडों के डेटाफ़्रेम में लोड करें - dataFrame = pd.read_csv("C:

  1. पायथन पांडा - एक प्रक्षेप विधि का उपयोग करके NaN मान भरें

    NaN मान भरने के लिए इंटरपोलेट () विधि का उपयोग करें। मान लें कि Microsoft Excel में कुछ NaN मानों के साथ खोली गई हमारी CSV फ़ाइल निम्नलिखित है - CSV फ़ाइल से पंडों के डेटाफ़्रेम में डेटा लोड करें - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\SalesData.csv") NaN मानों को इंटरपोल

  1. पायथन पंडों का उपयोग करके डेटा विश्लेषण

    इस ट्यूटोरियल में, हम पायथन पांडा लाइब्रेरी का उपयोग करके डेटा विश्लेषण देखने जा रहे हैं। पुस्तकालय पांडा C . में लिखे गए हैं . इसलिए, हमें गति के साथ कोई समस्या नहीं है। यह डेटा विश्लेषण के लिए प्रसिद्ध है। हमारे पास पंडों में दो प्रकार की डेटा भंडारण संरचनाएं हैं। वे श्रृंखला . हैं और डेटाफ़्रेम .