Gelen pandaskütüphane defalarca şu ifadeye gibi INPLACE nesneyi değiştirmek için bir seçenek yoktur ...

df.dropna(axis='index', how='all', inplace=True)

Neyin iade edildiğini ve nesnenin ne zaman inplace=Trueve ne zaman geçildiğini nasıl ele aldığını merak ediyorum inplace=False.

Tüm işlemler selfne zaman değişiyor inplace=True? Ve inplace=Falsegibi yeni bir nesne ne zaman hemen oluşturulur new_df = selfve sonra new_dfdöndürülür?

Ne zaman inplace=Truegeçirilir Kullanmak istiyorum, böylece veri, yeri (hiçbir şey döndüren) 'de yeniden adlandırılır:

df.an_operation(inplace=True)

Ne zaman inplace=Falsegeçirilir (bu varsayılan değerdir, dolayısıyla gerekli değildir), işlemi gerçekleştirir ve nesnenin bir kopyasını döndürür, böylece şunu kullanacaksınız:

df = df.an_operation(inplace=False) 

Onu kullanma şeklim

# Have to assign back to dataframe (because it is a new copy)
df = df.some_operation(inplace=False) 

Veya

# No need to assign back to dataframe (because it is on the same copy)
df.some_operation(inplace=True)

SONUÇ:

 if inplace is False
      Assign to a new variable;
 else
      No need to assign

Pandalarda, inplace = True zararlı olarak kabul edilir mi, değil mi?

TLDR; Evet evet o.

• inplace, adın ima ettiğinin aksine, genellikle kopyaların oluşturulmasını engellemez ve (neredeyse) hiçbir zaman herhangi bir performans avantajı sunmaz
• inplace yöntem zincirleme ile çalışmıyor
• inplace yeni başlayanlar için yaygın bir tuzaktır, bu nedenle bu seçeneğin kaldırılması API'yi basitleştirecektir.

Çok az amaca hizmet ettiği için bu parametrenin ayarlanmasını önermiyorum . Bağımsız değişkenin api genelinde kullanımdan kaldırılmasını öneren bu GitHub sorununa bakın inplace.

Kullanmanın inplace=Truedaha verimli veya optimize edilmiş koda yol açacağı yaygın bir yanılgıdır . Gerçekte, kullanmanın kesinlikle hiçbir performans avantajı yokturinplace=True . Hem yerinde hem de yerinde olmayan sürümler, her durumda verilerin bir kopyasını oluşturur ve yerinde sürüm kopyayı otomatik olarak geri atar.

inplace=Trueyeni başlayanlar için yaygın bir tuzaktır. Örneğin, şunları tetikleyebilirSettingWithCopyWarning :

df = pd.DataFrame({'a': [3, 2, 1], 'b': ['x', 'y', 'z']})

df2 = df[df['a'] > 1]
df2['b'].replace({'x': 'abc'}, inplace=True)
# SettingWithCopyWarning: 
# A value is trying to be set on a copy of a slice from a DataFrame

DataFrame sütununda bir işlevi çağırmak inplace=True işe yarayabilir veya çalışmayabilir . Bu, özellikle zincirleme indeksleme söz konusu olduğunda geçerlidir.

Yukarıda açıklanan sorunlar yeterli değilmiş gibi yöntem zinciriniinplace=True de engeller . İşleyişine kontrast

result = df.some_function1().reset_index().some_function2()

Aksine

temp = df.some_function1()
temp.reset_index(inplace=True)
result = temp.some_function2()

İlki, daha iyi bir kod organizasyonu ve okunabilirlik sağlar.

Diğer bir destekleyici iddia, API'sinin set_axisyakın zamanda, inplacevarsayılan değerin True'dan False'a değiştirildiği şekilde değiştirilmiş olmasıdır . GH27600'e bakın . Harika iş geliştiriciler!

inplaceparametresi:

df.dropna(axis='index', how='all', inplace=True)

içinde Pandasve genel yollarla:

1. Pandalar, orijinal verilerin bir kopyasını oluşturur

2. ... üzerinde biraz hesaplama yapıyor

3. ... sonuçları orijinal verilere atar.

4. ... kopyayı siler.

Cevabımın geri kalanında aşağıda okuyabileceğiniz gibi, bu parametreyi kullanmak için hala iyi bir nedenimiz olabilir , yani inplace operations, ancak daha fazla sorun oluşturduğundan, mümkünse bundan kaçınmalıyız, örneğin:

1. Kodunuzda hata ayıklamak daha zor olacaktır (Aslında AyarlamawithCopyWarning sizi bu olası soruna karşı uyarmak anlamına gelir)

2. Yöntem zincirleme ile çelişki

Öyleyse onu kullanmamız gereken bir durum var mı?

Kesinlikle evet. Büyük veri kümelerini işlemek için panda veya herhangi bir araç kullanırsak, bazı büyük verilerin tüm belleğimizi tüketebileceği durumla kolayca yüzleşebiliriz. Bu istenmeyen etkiyi önlemek için, yöntem zincirleme gibi bazı teknikler kullanabiliriz :

(
    wine.rename(columns={"color_intensity": "ci"})
    .assign(color_filter=lambda x: np.where((x.hue > 1) & (x.ci > 7), 1, 0))
    .query("alcohol > 14 and color_filter == 1")
    .sort_values("alcohol", ascending=False)
    .reset_index(drop=True)
    .loc[:, ["alcohol", "ci", "hue"]]
)

Bu, kodumuzu daha kompakt hale getirir (yine de yorumlanması ve hata ayıklaması daha zor) ve zincirleme yöntemler diğer yöntemin döndürülen değerleriyle çalıştığı için daha az bellek tüketir, böylece girdi verilerinin yalnızca bir kopyası elde edilir. Bu işlemlerden sonra 2 kat orijinal veri hafıza tüketimimiz olacağını açıkça görebiliyoruz .

Veya inplaceparametre kullanabiliriz (yine de yorumlaması ve hata ayıklaması daha zordur) bellek tüketimimiz 2 x orijinal veri olacaktır , ancak bu işlemden sonra bellek tüketimimiz 1 x orijinal veri olarak kalır ; bu, biri büyük veri kümeleriyle çalıştığında tam olarak bilirse büyük fayda.

Final sonucu:

Çok inplacebüyük verilerle çalışmadığınız sürece parametre kullanmaktan kaçının ve yine de kullanılması durumunda olası sorunlarının farkında olun.

Aynı değişkene kaydedin

data["column01"].where(data["column01"]< 5, inplace=True)

Ayrı bir değişkene kaydedin

data["column02"] = data["column01"].where(data["column1"]< 5)

Ancak, her zaman değişkenin üzerine yazabilirsiniz

data["column01"] = data["column01"].where(data["column1"]< 5)

Bilginize: Varsayılan olarak inplace = False

Bir işlev kullanarak Pandas veri çerçevesinde değişiklik yapmaya çalışırken, değişiklikleri veri çerçevesine uygulamak istiyorsak 'inplace = True' kullanırız. Bu nedenle, aşağıdaki kodun ilk satırı "df" deki ilk sütunun adını "Notlar" olarak değiştirir. Elde edilen veritabanını görmek istiyorsak veritabanını aramamız gerekir.

df.rename(columns={0: 'Grades'}, inplace=True)
df

Değişiklikleri uygulamak istemediğimizde, ancak sadece elde edilen veritabanını yazdırdığımızda 'inplace = False' (bu aynı zamanda varsayılan değerdir) kullanırız. Bu nedenle, gerçekte, orijinal veritabanının, taahhüt edilen değişikliklerle birlikte bir kopyası, orijinal veritabanını değiştirmeden yazdırılır.

Daha açık olmak gerekirse, aşağıdaki kodlar aynı şeyi yapar:

#Code 1
df.rename(columns={0: 'Grades'}, inplace=True)
#Code 2
df=df.rename(columns={0: 'Grades'}, inplace=False}

inplace=True orijinal df'de değişiklik yapmak isteyip istemediğinize bağlı olarak kullanılır.

df.drop_duplicates()

sadece düşen değerlerin bir görünümünü yapacak, ancak df'de herhangi bir değişiklik yapmayacak

df.drop_duplicates(inplace  = True)

değerleri düşürür ve df'de değişiklikler yapar.

Bu yardımcı olur umarım.:)

inplace=Trueişlevi safsız hale getirir. Orijinal veri çerçevesini değiştirir ve Hiçbiri döndürür. Bu durumda DSL zincirini kırarsınız. Veri çerçeve işlevlerinin çoğu yeni bir veri çerçevesi döndürdüğünden, DSL'i rahatlıkla kullanabilirsiniz. Sevmek

df.sort_values().rename().to_csv()

inplace=TrueYok dönüşlü işlev çağrısı ve DSL zinciri bozuk. Örneğin

df.sort_values(inplace=True).rename().to_csv()

atacak NoneType object has no attribute 'rename'

Python'un yerleşik sıralama ve sıralama ile benzer bir şey. yeni bir liste lst.sort()döndürür Noneve sorted(lst)döndürür.

Genel olarak, bunu yapmak inplace=Trueiçin özel bir nedeniniz olmadıkça kullanmayın . Yeniden atama kodunu yazmanız gerektiğinde df = df.sort_values(), işlev çağrısını DSL zincirine eklemeyi deneyin, örn.

df = pd.read_csv().sort_values()...

Pandalar konusundaki deneyimime cevap vermek isterim.

'Yerinde = Doğru' argümanı, veri çerçevesinin değişiklikleri kalıcı yapması gerektiği anlamına gelir, örn.

    df.dropna(axis='index', how='all', inplace=True)

aynı veri çerçevesini değiştirir (çünkü bu pandalar NaN girişlerini dizinde bulur ve bırakır). Denersek

    df.dropna(axis='index', how='all')

Pandalar, yaptığımız değişikliklerle veri çerçevesini gösterir, ancak orijinal veri çerçevesi 'df'yi değiştirmeyecektir.

İnplace = True kullanmıyorsanız veya inplace = False kullanıyorsanız, temelde bir kopyasını geri alırsınız.

Yani örneğin:

testdf.sort_values(inplace=True, by='volume', ascending=False)

yapıyı azalan sırada sıralanmış verilerle değiştirir.

sonra:

testdf2 = testdf.sort_values( by='volume', ascending=True)

testdf2'yi bir kopya yapacaktır. değerlerin hepsi aynı olacak ancak sıralama tersine çevrilecek ve bağımsız bir nesneye sahip olacaksınız.

sonra başka bir sütun verildiğinde, LongMA deyin ve şunu yapın:

testdf2.LongMA = testdf2.LongMA -1

testdf'deki LongMA sütunu orijinal değerlere sahip olacak ve testdf2 de suçsuz değerlere sahip olacaktır.

Hesaplama zinciri büyüdükçe ve veri çerçevelerinin kopyalarının kendi yaşam döngüleri varken farkı takip etmek önemlidir.

Evet, Pandalarda birçok işleve sahibiz parametreye sahiptir, inplaceancak varsayılan olarak atanmıştır False.

Yani df.dropna(axis='index', how='all', inplace=False)bunu yaptığınızda orijinali değiştirmek istemediğinizi düşünür DataFrame, bu nedenle sizin için gerekli değişikliklerle yeni bir kopya oluşturur .

Ancak, inplaceparametreyi olarak değiştirdiğinizdeTrue

O zaman bunun DataFrameyerine yeni bir kopyasını istemediğimi açıkça söylemekle eşdeğerdir.DataFrame

Bu kuvvetler Python yorumlayıcısı için değil , yeni bir oluşturmak içinDataFrame

Ancak inplace, sonucu orijinal DataFrame'e yeniden atayarak da parametreyi kullanmaktan kaçınabilirsiniz.

df = df.dropna(axis='index', how='all')