सभी कॉलम नामों में प्रीफिक्स जोड़ने के लिए, add_prefix() मेथड का उपयोग करें। सबसे पहले आवश्यक पैंडास लाइब्रेरी इम्पोर्ट करें – import pandas as pd 4 कॉलम वाला डेटाफ्रेम बनाएं – dataFrame = pd.DataFrame({Car: [BMW, Lexus, Tesla, Mustang, Mercedes, Jaguar],Cubic_Capacity: [2000, 1800, 1500, 2500, 220

मैटप्लॉटलिब स्कैटरप्लॉट में डॉट्स का बॉर्डर कलर सेट करने के लिए, हम निम्न चरण अपना सकते हैं – फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें। नमूना डेटा की संख्या स्टोर करने के लिए N वेरिएबल इनिशियलाइज़ करें। नम्पाई का उपयोग करके x और y डेटा बिंदु बनाएं। scatter() मेथड का उप

नेटवर्कएक्स के साथ लैटिस और ग्राफ बनाने के लिए, हम निम्न चरण अपना सकते हैं – नेटवर्कएक्स और पायप्लॉट इम्पोर्ट करें। फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें। दो-आयामी ग्रिड ग्राफ प्राप्त करने के लिए nx.grid_2d_graph(3, 3) का उपयोग करें। ग्रिड ग्राफ में प्रत्येक नोड अपन

पायथन, नम्पाई और मैटप्लॉटलिब का उपयोग करके मास्क्ड सरफेस प्लॉट बनाने के लिए, हम निम्न चरण अपना सकते हैं – फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें। एक नया फिगर बनाएं या मौजूदा फिगर को सक्रिय करें। सबप्लॉट व्यवस्था के हिस्से के रूप में फिगर में ax जोड़ें। निर्देशांक वेक

मैटप्लॉटलिब का उपयोग करके प्लॉट का फेस कलर बदलने के लिए, हम निम्न चरण अपना सकते हैं – फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें। नम्पाई का उपयोग करके x और y डेटा बिंदु बनाएं। एक फिगर और सबप्लॉट्स का सेट बनाएं। plot() मेथड का उपयोग करके x और y डेटा बिंदु प्लॉट करें, colo

मैटप्लॉटलिब में बिंदुओं के समुच्चय से सबसे बड़ा बहुभुज बनाने के लिए, हम निम्न चरण अपना सकते हैं – matplotlib.patches से Polygon इम्पोर्ट करें। फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें। सबसे बड़े बहुभुज के लिए डेटा बिंदुओं की एक सूची बनाएं। बहुभुज इंस्टेंस प्राप्त करें।

sort_index() का उपयोग इंडेक्स को आरोही और अवरोही क्रम में क्रमबद्ध करने के लिए किया जाता है। यदि आप कोई पैरामीटर नहीं बताएंगे, तो इंडेक्स आरोही क्रम में क्रमबद्ध होगा। सबसे पहले आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd एक नया डेटाफ्रेम बनाएं। इसमें अनसॉर्टेड इंडेक्स हैं – dataFrame = pd

हम डेटाफ्रेम में किसी विशिष्ट मान को खोज सकते हैं। आवश्यक मान प्राप्त करने और पूरी पंक्ति प्रदर्शित करने के लिए iloc का उपयोग करें। सबसे पहले आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd 4 कॉलम वाला डेटाफ्रेम बनाएं – dataFrame = pd.DataFrame({Car: [BMW, Lexus, Tesla, Mustang, Mercedes, Jagu

fillna() मेथड का उपयोग करें और पैरामीटर value का उपयोग करके सभी गायब मानों के लिए इसमें एक स्थिर मान सेट करें। सबसे पहले, अपने संबंधित उपनामों के साथ आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd import numpy as np 2 कॉलम वाला डेटाफ्रेम बनाएं। हमने Numpy np.NaN का उपयोग करके NaN मान सेट किए

मोड मानों के समूह में सबसे अधिक बार आने वाला मान है। गायब कॉलम को मोड से भरने के लिए fillna() मेथड का उपयोग करें और मोड सेट करें। सबसे पहले, अपने संबंधित उपनामों के साथ आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd import numpy as np 2 कॉलम वाला डेटाफ्रेम बनाएं। हमने Numpy np.NaN का उपयोग कर

Dataframe.loc का उपयोग लेबल या बूलियन सरणी द्वारा पंक्तियों और कॉलम के समूह को एक्सेस करने के लिए किया जाता है। हम loc का उपयोग करके लिस्ट को डेटाफ्रेम में जोड़ेंगे। पहले एक डेटाफ्रेम बनाएं। हमारे उदाहरण के लिए डेटा टीम रैंकिंग की सूचियों के रूप में है – # टीम रैंकिंग के रूप में डेटा की सूची Team =

जब दूसरी लिस्ट के मानों की सहायता से लिस्ट को मास्क करना हो, तो लिस्ट कॉम्प्रिहेंशन का उपयोग किया जाता है। उदाहरण नीचे इसका प्रदर्शन है my_list = [5, 6, 1, 9, 11, 0, 4] print(The list is :) print(my_list) search_list = [2, 10, 6, 3, 9] result = [1 if element in search_list else 0 for element in my_

माध्यिका डेटा के उच्च आधे को निचले आधे से अलग करती है। fillna() मेथड का उपयोग करें और माध्यिका सेट करके गायब कॉलम को माध्यिका से भरें। सबसे पहले, अपने संबंधित उपनामों के साथ आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd import numpy as np 2 कॉलम वाला डेटाफ्रेम बनाएं। हमने Numpy np.NaN का उपय

डेटाफ्रेम को जोड़ने के लिए, concat() मेथड का उपयोग करें, लेकिन डुप्लिकेट को अनदेखा करने के लिए, drop_duplicates() मेथड का उपयोग करें। आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd जोड़े जाने वाले डेटाफ्रेम बनाएं – # डेटाफ्रेम1 बनाएं dataFrame1 = pd.DataFrame( { Car: [BMW, Jaguar,

जब सेट में लिस्ट से तत्व निकालने हों, तो एक साधारण for लूप और एक बेस कंडीशन का उपयोग किया जा सकता है। उदाहरण नीचे इसका प्रदर्शन है my_list = [5, 7, 2, 7, 2, 4, 9, 8, 8] print(The list is :) print(my_list) search_set = {6, 2, 8} my_result = [] for element in my_list: if element in search_set:

जब दोनों स्ट्रिंग्स में सामान्य शब्दों को हटाना हो, तो एक मेथड परिभाषित की जाती है जो दो स्ट्रिंग्स लेती है। स्ट्रिंग्स को स्पेस के आधार पर विभाजित किया जाता है और परिणाम को फ़िल्टर करने के लिए लिस्ट कॉम्प्रिहेंशन का उपयोग किया जाता है। उदाहरण नीचे इसका प्रदर्शन है def common_words_filter(my_string

एक लिस्ट को खोलने के लिए, हम append() मेथड का उपयोग कर सकते हैं। इसके साथ, हम loc() मेथड का भी उपयोग कर सकते हैं। सबसे पहले आवश्यक लाइब्रेरी इम्पोर्ट करें – import pandas as pd निम्न टीम रैंकिंग की सूचियों के रूप में डेटा है – Team = [[India, 1, 100],[Australia, 2, 85],[England, 3, 75],[New Zealand

जब मैट्रिक्स में कस्टम बॉर्डर जोड़ने हों, तो मैट्रिक्स में आवश्यक बॉर्डर जोड़ने के लिए साधारण लिस्ट इटरेशन का उपयोग किया जा सकता है। उदाहरण नीचे इसका प्रदर्शन है my_list = [[2, 5, 5], [2, 7, 5], [4, 5, 1], [1, 6, 6]] print(The list is :) print(my_list) print(The resultant matrix is :) border = | fo

जब सेट की सूची में डुप्लिकेट सेट खोजने हों, तो Counter और frozenset का उपयोग किया जाता है। उदाहरण नीचे इसका प्रदर्शन है 1: my_result.append(key) print(The result is :) print(my_result) आउटपुट The list is : [{8, 1, 4, 6}, {8, 1, 4, 6}, {1, 2, 6}, {1, 2, 4}, {8, 9, 7}] The result is : [froze

जब किसी संख्या की विशिष्ट संख्या में घात प्राप्त करनी हो, तो लिस्ट कॉम्प्रिहेंशन के साथ ** ऑपरेटर का उपयोग किया जाता है। उदाहरण नीचे इसका प्रदर्शन है n = 4 print(The value n is : ) print(n) k = 5 print(The value of k is : ) print(k) result = [n ** index for index in range(0, k)] print(The square va