чтобы мне достать из этих столбцов уникальные значенияВот это не совсем понятно, может имелось ввиду из списков, уникальные, и что значит достать.
(
pd.DataFrame({
'ID':[1,2],
'genres':[['Strategy'],['Fightening','Adventure','Arcade']]
})
.explode('genres')
)OpenAI(api_key="Your API Key")class A:
def __init__(self,*, key=None):
self.key = key
a = A('12345')from collections import namedtuple
Point = namedtuple("Point", ['x','y'])
point = Point(2,4)
print(point)d = {
'x':2,
'y':4
}
print(namedtuple('Point',d.keys())(*d.values()))a = 1
b = 2
c = 3
def func():
print(a,b,c)
if __name__ == "__main__":
func()a = 1
b = 2
c = 3
def func():
print(a,b,c)
c = 100
print(c)
if __name__ == "__main__":
func()def func():
global c
print(a,b,c)
c = 100
print(c)
if __name__ == "__main__":
func()a = [0]
b = [0]
c = [0]
def func():
print(a,b,c)
c.append(100)
print(c)
if __name__ == "__main__":
func()def func():
total = 0
def inner():
nonlocal total
total +=1
return total
return inner
if __name__ == "__main__":
add = func()
print(add())
print(add())
print(add())(
df
.assign(
groups=(df['EventType'] != df['EventType'].shift())
.cumsum()
)
.groupby('groups'
)
.agg(
first= pd.NamedAgg(column='EventTime',aggfunc=lambda x: np.min(x)),
last= pd.NamedAgg(column='EventTime',aggfunc=lambda x: np.max(x)),
EventType= pd.NamedAgg(column='EventType',aggfunc=lambda x: set(x).pop()),
user_id=pd.NamedAgg(column='user_id',aggfunc=lambda x: set(x).pop()),
)
.reset_index(drop=True)
.loc[:,['user_id','EventType','first','last']]
)(
df
.groupby(
(df["EventType"] != df["EventType"].shift())
.cumsum()
)
.agg({"EventTime" : ["min", "max"]})
)(
df.assign(
EventTime=lambda x: pd.to_datetime(x['EventTime'],format='%Y-%m-%d %H:%M:%S')
)
...
)return Когда функция не имеет return python возвращает None ...
else:
return player_input()pyautogui.screenshot() Это объект который хранится в памяти (оперативной). image Это именованный указатель на этот объект. Если ты хочешь сохранить на диск, то нужно указывать путь.
apply он применяется к каждой строке или каждой колонке параметр axis, то есть когда ты пишешь свою кастомную функцию на вход она будет получать либо numpy массив либо pandas Series. Вообще apply для фрейма имеет довольно много интересных параметров почитай доки этого метода он реально мощный. pipe(func, *args, **kwargs) и тебе приходит копия оригинального фрейма с твоими изменениями описанными в func, это очень хорошая практика.
Номер Телефона,Имя,Фамилия
333,Иван,Петров
333,Василий,Сидоров
444,Петр,Прямой
333,Федор,Кривойimport pandas as pd
phone_numbers = pd.read_csv('test.csv',index_col='Номер Телефона')
numbers_of_interset = [777,333]
index = phone_numbers.index.intersection(numbers_of_interset)
not_found = pd.Index(numbers_of_interset).difference(phone_numbers.index)
(
phone_numbers.loc[index,:]
.to_csv('result.csv')
)print(phone_numbers.loc[index,:].shape[0]) Даст тебе количество.