python-----DataFrame.style （三、切片）

如同Excel，在python中也可以使用条件格式（conditional formatting），使用DataFrame.style属性是格式化与展示的好方法，这个属性返回一个Styler 对象。

本文主要说说在使用相应的style函数时候如何使用切片，在官方文档中是这样描述的：

Both Styler.apply, and Styler.applymap accept a subset keyword. This
allows you to apply styles to specific rows or columns, without having
to code that logic into your style function.

The value passed to subset behaves similar to slicing a DataFrame.

A scalar is treated as a column label
A list (or series or numpy array) （is treated as a column label ）
A tuple is treated as (row_indexer, column_indexer)

Consider using pd.IndexSlice to construct the tuple for the last one

In [12]:df.style.apply(highlight_max, subset=['B', 'C', 'D'])Out[12]:A    B   C   D   E
0   1   1.32921     nan     -0.31628    -0.99081
1   2   -1.07082    -1.43871    0.564417    0.295722
2   3   -1.6264     0.219565    0.678805    1.88927
3   4   0.961538    0.104011    -0.481165   0.850229
4   5   1.45342     1.05774     0.165562    0.515018
5   6   -1.33694    0.562861    1.39285     -0.063328
6   7   0.121668    1.2076  -0.00204021     1.6278
7   8   0.354493    1.03753     -0.385684   0.519818
8   9   1.68658     -1.32596    1.42898     -2.08935
9   10  -0.12982    0.631523    -0.586538   0.29072

For row and column slicing, any valid indexer to .loc will work

In [13]:df.style.applymap(color_negative_red,subset=pd.IndexSlice[2:5, ['B', 'D']])Out[13]:A    B   C   D   E
0   1   1.32921     nan     -0.31628    -0.99081
1   2   -1.07082    -1.43871    0.564417    0.295722
2   3   -1.6264     0.219565    0.678805    1.88927
3   4   0.961538    0.104011    -0.481165   0.850229
4   5   1.45342     1.05774     0.165562    0.515018
5   6   -1.33694    0.562861    1.39285     -0.063328
6   7   0.121668    1.2076  -0.00204021     1.6278
7   8   0.354493    1.03753     -0.385684   0.519818
8   9   1.68658     -1.32596    1.42898     -2.08935
9   10  -0.12982    0.631523    -0.586538   0.29072

基本上表达的挺明白，但是遇到多级索引的情况下，文中并没有给出实例，我们进行实例演练：

# hierarchical indices and columns
index = pd.MultiIndex.from_product([[2013, 2014], [1, 2]],names=['year', 'visit'])
columns = pd.MultiIndex.from_product([['Bob', 'Guido', 'Sue'], ['HR', 'Temp']],names=['subject', 'type'])# mock some data
data = np.round(np.random.randn(4, 6), 1)
data[:, ::2] *= 10
data += 37# create the DataFrame
health_data = pd.DataFrame(data, index=index, columns=columns)
health_data

现在我们想对一级行索引为2的行进行标红：
从上面的官方文档中给出的subset的三种方式中，最后一种方式符合我们的需求。

#先定义格式函数：
def row1_red(val): return 'color:Magenta'

关键的问题在于如何正确的使用多级索引来达到我们的目的，先试一个，
在元组中使用切片将会导致语法错误：

health_data.style.applymap(row1_red,subset=[(:,2),])File "<ipython-input-54-e36b194f3f5e>", line 1health_data.style.applymap(row1_red,subset=[(:,2),])^SyntaxError: invalid syntax

可以通过显示使用Python内置的slice（）函数构建期望的切片来绕过上面的限制。但更好的办法是使用IndexSlice对象，它是Pandas专门用来处理这种情形的。

而原文中也说了：
Consider using pd.IndexSlice to construct the tuple for the last one.

我们用pd.IndexSlice试一下，先单独对于数据集health_data使用：

health_data.loc[pd.IndexSlice[:,2],]

可见确实达到了效果

health_data.loc[pd.IndexSlice[:,2],:]

第二个位置写不写冒号都可以。

现在，我们用于Style属性：

health_data.style.applymap(row1_red,subset=(pd.IndexSlice[:,2],))

perfect，但是要注意两点：
1、我们给subset传递的是个元组；
2、跟直接用于DataFrame.loc中不一样，subset中元组的第二个参数直接空即可，如果写冒号，反而会报错：

甚至可以这样写：

health_data.style.applymap(row1_red,subset=pd.IndexSlice[pd.IndexSlice[:,2],:])

pd.IndexSlice也是比较灵活，但有时候也难以捉摸，有时间还是需要好好研究一下。

最后注意一个问题，在使用pd.IndexSlice时，只支持.loc，不支持.iloc.

Only label-based slicing is supported right now, not positional.

参考链接：
http://pandas.pydata.org/pandas-docs/stable/style.html
https://www.jianshu.com/p/342c81e89b98

python-----DataFrame.style （三、切片）相关推荐

Python语言编程学习：numpy中的array格式数据切片与pandas中的dataframe格式数据切片、相互转换
Python语言编程学习:numpy中的array格式数据切片与pandas中的dataframe格式数据切片.相互转换目录 numpy中的array格式数据切片与pandas中的dataframe ...
python dataframe切片_python pandas dataframe 行列选择,切片操作方法
SQL中的select是根据列的名称来选取:Pandas则更为灵活,不但可根据列名称选取,还可以根据列所在的position(数字,在第几行第几列,注意pandas行列的position是从0开始)选 ...
python coding style guide 的快速落地实践——业内python 编码风格就pep8和谷歌可以认作标准...
python coding style guide 的快速落地实践机器和人各有所长,如coding style检查这种可自动化的工作理应交给机器去完成,故发此文帮助你在几分钟内实现coding st ...
python打印自动换行如何解决_解决python DataFrame 打印结果不换行问题
解决python DataFrame 打印结果不换行问题如下所示: 加入代码: pd.set_option('display.width', 5000) 补充知识:Python 实现不换行打印字符的 ...
Python基础（三）--序列
Python基础(三)--序列 1 序列相关的概念 1.1 什么是序列序列是一种可迭代对象,可以存储多个数据,并提供数据的访问. 序列中的数据称为元素,Python内置的序列类型有:列表(list) ...
计算机等级考试二级Python讲座（三）
计算机等级考试二级 Python 讲座第三章基本数据类型 by 梦雅微信:762459510 考纲考点数字类型:整数类型.浮点数类型和复数类型数字类型的运算:数值运算操作符.数值运算函数字符 ...
了解Python编程——Python学习（三）
三.Python中的数据类型 1.Python3语言中内置的基本数据类型 2.C语言和Python语言的变量类型对比 3.Number数值类型分别是:整数(int).浮点数(float).布尔值(b ...
python怎么输入三引号_python三引号如何输入
python三引号如何输入,注释,字符,引号,单引号,双引号 python三引号如何输入易采站长站,站长之家为您整理了python三引号如何输入的相关内容. Python中的三引号,3个单引号及3个 ...
python coding style guide 的快速落地实践
python coding style guide 的快速落地实践机器和人各有所长,如coding style检查这种可自动化的工作理应交给机器去完成,故发此文帮助你在几分钟内实现coding st ...
python coding style why_python coding style guide 的快速落地实践——业内python 编码风格就pep8和谷歌可以认作标准...
python coding style guide 的快速落地实践机器和人各有所长,如coding style检查这种可自动化的工作理应交给机器去完成,故发此文帮助你在几分钟内实现coding st ...

python-----DataFrame.style （三、切片）

python-----DataFrame.style （三、切片）相关推荐

最新文章

热门文章