Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Почему итерация по строкам Pandas Dataframe — плохая идея
  • Загрузка образца Pandas Dataframe
  • Как векторизовать вместо итерации по строкам
  • Как использовать iterrows Pandas для итерации по строкам Dataframe
  • Как использовать itertuples Pandas для итерации по строкам Dataframe
  • Как использовать элементы Pandas для итерации по строкам Dataframe
  • Как использовать цикл For для итерации по строкам Pandas Dataframe
  • Заключение
  1. Учебники по Pandas и Numpy
  2. Pandas

Pandas: Итерация по строкам DataFrame в Pandas

PreviousЭкспорт DataFrame Pandas в CSV файл – Использование .to_csv()NextPandas: Преобразование значений столбца в строки

Last updated 27 days ago

В этом учебнике вы узнаете, как использовать Python и Pandas для перебора строк в Pandas dataframe.

Руководство начнется с объяснения, почему итерация по строкам DataFrame в Pandas часто не нужна и медленнее, чем альтернативы, такие как векторизация. Тем не менее бывают случаи, когда вам необходимо итерировать строки DataFrame. Поэтому мы рассмотрим четыре разных метода, с помощью которых вы можете это сделать. Вы узнаете, как использовать методы Pandas .iterrows(), .itertuples() и .items(). Вы также научитесь использовать циклы Python для перебора каждой строки в DataFrame Pandas.

Быстрый ответ: используйте Pandas .iterrows()

# Использование .iterrows() для итерации по строкам Pandas
df = pd.DataFrame.from_dict({
    'Year': [2018, 2019, 2020, 2021],
    'Sales': [1000, 2300, 1900, 3400]})

for idx, row in df.iterrows():
    print(idx, row['Year'], row['Sales'])

# Возвращает:
# 0 2018 1000
# 1 2019 2300
# 2 2020 1900
# 3 2021 3400

Оглавление

Почему итерация по строкам Pandas Dataframe — плохая идея

Pandas сам предупреждает о том, чтобы не итерировать строки датафреймов. Официальная документация указывает, что в большинстве случаев это действительно не требуется, и на датафреймах более 1,000 записей начнутся заметные замедления. Pandas рекомендует использовать векторизацию, если это возможно. Однако, если нужно применить конкретную формулу, использование метода .apply() является привлекательной альтернативой.

Хотя итерация по строкам может показаться логичным инструментом для тех, кто привык работать с такими инструментами, как Excel, многие процессы можно реализовать гораздо лучше. Итерация по строкам, если это не необходимо, является плохой привычкой.

В порядке предпочтения, мой рекомендуемый подход заключается в следующем:

  1. Векторизовать, если возможно

  2. Используйте метод .apply(), если вам нужно применить функцию, требующую информацию на уровне строки.

Перечисленные выше альтернативы гораздо более идиоматичны и легче для восприятия. Хотя использование метода .apply() медленнее, чем векторизация, оно часто бывает проще для понимания начинающими.

Загрузка образца Pandas Dataframe

Если вы хотите следовать примеру с тестовым датафреймом, можете скопировать код ниже. Мы загрузим небольшой датафрейм, чтобы можно было его полностью вывести. Вероятно, вы не столкнетесь с серьёзными проблемами производительности при работе с этим датафреймом, но они будут становиться всё более заметными по мере роста вашего набора данных.

Давайте начнем с загрузки данных и их вывода.

import pandas as pd

df = pd.DataFrame.from_dict(
    {
        'Year': [2018, 2019, 2020, 2021],
        'Sales': [1000, 2300, 1900, 3400],
    }
)

print(df)

# Возвращает:
#    Year  Sales
# 0  2018   1000
# 1  2019   2300
# 2  2020   1900
# 3  2021   3400

В следующем разделе вы узнаете, как векторизовать операции с данными, чтобы сэкономить память и время!

Как векторизовать вместо итерации по строкам

В этом разделе вы узнаете (хотя и очень кратко), как векторизовать операцию с данными.

В примере ниже вы узнаете, как возвести число в квадрат в столбце. Если бы вы перебирали каждую строку, вы бы выполнили вычисление столько раз, сколько записей в столбце. Однако при векторизации вы можете применить преобразование непосредственно к столбцу.

Давайте посмотрим, как выглядит векторизация с использованием кода:

df['Sales Squared'] = df['Sales'] ** 2

print(df)

# Возвращает:
#    Year  Sales  Sales Squared
# 0  2018   1000        1000000
# 1  2019   2300        5290000
# 2  2020   1900        3610000
# 3  2021   3400       11560000

Теперь, когда вы знаете, как применять векторизацию к данным, давайте изучим метод .iterrows() в Pandas для итерации по строкам.

Как использовать iterrows Pandas для итерации по строкам Dataframe

Давайте посмотрим, как работает метод .iterrows() .

# Использование .iterrows() для итерации по строкам Pandas

for idx, row in df.iterrows():
    print(idx, row['Year'], row['Sales'])

# Возвращает:
# 0 2018 1000
# 1 2019 2300
# 2 2020 1900
# 3 2021 3400

Как видно, приведённый выше метод генерирует кортеж, который мы можем распаковать. Первый элемент содержит индекс строки, а второй — серию Pandas, содержащую данные строки.

Метод .iterrows() работает медленно, так как он должен создавать серию Pandas для каждой строки.

В следующем разделе вы узнаете, как использовать метод .itertuples() для перебора строк в DataFrame Pandas.

Как использовать itertuples Pandas для итерации по строкам Dataframe

Метод .itertuples() - интересный метод, который, как и метод .iterrows(), возвращает объект-генератор каждой строки в dataframe Pandas.

В отличие от предыдущего метода, метод .itertuples() возвращает именованный кортеж для каждой строки в датафрейме. Именованный кортеж похож на обычный кортеж, но каждый элемент имеет имя атрибута.

Давайте посмотрим, как это выглядит, распечатав каждый именованный кортеж, возвращаемый методом .itertuples():

# Использование .itertuples() для итерации по строкам dataframe

for row in df.itertuples():
    print(row)

# Возвращает:
# Pandas(Index=0, Year=2018, Sales=1000)
# Pandas(Index=1, Year=2019, Sales=2300)
# Pandas(Index=2, Year=2020, Sales=1900)
# Pandas(Index=3, Year=2021, Sales=3400)

Мы видим, что каждому элементу в кортеже присвоено имя атрибута. Мы можем получить доступ к элементам кортежа, вызывая его атрибут.

Давайте посмотрим, как можно вывести атрибут Year каждой строки в Python:

# Использование .itertuples() для итерации по строкам dataframe

for row in df.itertuples():
    print(row.Year)

# Возвращает:
# 2018
# 2019
# 2020
# 2021

В следующем разделе вы научитесь использовать метод .items() для перебора элементов в датафрейме в Pandas.

Как использовать элементы Pandas для итерации по строкам Dataframe

Метод Pandas .items() позволяет получить доступ к каждому элементу строки в Pandas. Он генерирует объекты-генераторы для каждого столбца и их элементов

Это, конечно, занимает еще больше времени, так как сначала нужно сгенерировать генератор не только для каждой строки, но и для каждого столбца.

Давайте посмотрим, как это выглядит:

# Использование .items() для итерации по столбцам dataframe

for column_name, data in df.items():
    print(column_name, data)

# Возвращает:
# Year 0    2018
# 1    2019
# 2    2020
# 3    2021
# Name: Year, dtype: int64
# Sales 0    1000
# 1    2300
# 2    1900
# 3    3400
# Name: Sales, dtype: int64

В следующем разделе вы узнаете, как использовать цикл for в Python для перебора строк в датафрейме Pandas.

Как использовать цикл For для итерации по строкам Pandas Dataframe

В этом заключительном разделе вы узнаете, как использовать цикл for в Python для перебора строк датафрейма Pandas.

Мы можем использовать аксессор Pandas .iloc для доступа к различным строкам при выполнении цикла for.

Давайте посмотрим, как этот метод выглядит в Python

for i in range(len(df)):
    print(df.iloc[i, :])

# Возвращает:
# Year     2018
# Sales    1000
# Name: 0, dtype: int64
# Year     2019
# Sales    2300
# Name: 1, dtype: int64
# Year     2020
# Sales    1900
# Name: 2, dtype: int64
# Year     2021
# Sales    3400
# Name: 3, dtype: int64

Заключение

В этом учебном руководстве вы узнали о переборе строк в датафрейме Pandas. Вы начали с изучения причин, почему обход датафрейма построчно — плохая идея, и почему векторизация является гораздо лучшей альтернативой для большинства задач. Вы также узнали, как перебирать строки датафрейма Pandas, используя три различных метода датафрейма, а также цикл for с использованием индекса датафрейма.

Чтобы перебрать строки датафрейма Pandas, мы можем использовать метод .iterrows(). Этот метод . Это означает, что каждое кортеж содержит индекс (из датафрейма) и значения строки. Важное замечание: .iterrows() не сохраняет типы данных. Если вы хотите сохранить типы данных, обратите внимание на следующую секцию о .itertuples().

Чтобы узнать больше о методе Pandas .iterrows(), ознакомьтесь .

создает объект генератора на основе кортежей
с официальной документацией здесь
Почему итерация по строкам Pandas Dataframe — плохая идея
Загрузка образца Pandas Dataframe
Как векторизовать вместо итерации по строкам
Как использовать iterrows Pandas для итерации по строкам Dataframe
Как использовать itertuples Pandas для итерации по строкам Dataframe
Как использовать элементы Pandas для итерации по строкам Dataframe
Как использовать цикл For для итерации по строкам Pandas Dataframe
Заключение