파이썬: csv 파일에서 원하는 데이터 값 세는법
조회수 1293회
csv 파일에서 500~550사이에 있는 숫자들만 세고 싶은데 어떻게 입력해야 하나요? 모듈은 pandas 사용했고, 마지막엔 센 숫자(count) x 25를 한 결과값을 얻고 싶은데 어떻게 입력하면 좋을까요
*Python 3.8.5 Anaconda
def surface_area_of_cotter(data_set,x_coordinate,y_coordinate):
dictio = {}
count = 0
s = pd.Series(range(500,550))
data_set = pd.read_csv("elevation_data_dam.csv", header=None)
for s in data_set:
count += 1
if s in dictio:
dictio[int(s)] += 1
else:
dictio[int(s)] = 0
if count ==0.0:
return 0
else:
return (count*25)
csv 파일 업로드가 안되서 스크린샷 올릴게요.
대충 이렇게 생겼고 883 rows x 1189 columns
정도에요.
-
(•́ ✖ •̀)
알 수 없는 사용자 - 〉
1 답변
-
Python 3.8.5 (tags/v3.8.5:580fbb0, Jul 20 2020, 15:57:54) [MSC v.1924 64 bit (AMD64)] on win32 Type "help", "copyright", "credits" or "license()" for more information. >>> import pandas as pd >>> pd.util.testing.makeDataFrame() Warning (from warnings module): File "C:\PROGRAMS\Python3864\lib\site-packages\pandas\util\__init__.py", line 12 import pandas.util.testing FutureWarning: pandas.util.testing is deprecated. Use the functions in the public API at pandas.testing instead. A B C D xJkgimXOO1 -2.068095 -0.862084 1.174664 0.605598 VMJRWwfx2I -0.426533 1.538165 -0.266820 0.865586 B5TJ7K49xv -0.711415 -0.764578 -0.152343 -0.846417 bjvOIK3VqT -0.138098 -0.429742 -1.407439 -0.517214 FBS3NstvO6 2.199321 -0.297894 -0.272281 0.904358 9bQerRF8Cf 0.155426 0.938006 1.445933 0.708087 UmpISw6iWn -0.194906 -0.991698 0.994875 0.558863 79VZoNtvyP -0.250903 -0.064654 0.101859 -0.164328 EbAXsNp8WA 0.585207 1.158592 2.258985 -0.117060 WTSoY8Nfux 0.525517 0.382023 -0.768719 -1.195720 rXIRbiOIPS 1.310514 0.485413 0.516931 0.681023 Lq5Vv3xH5l 0.290427 0.764235 0.260702 1.394933 8NEbjkhdNM -0.664036 1.566563 -0.769363 -1.659315 Q8oYllUF2d 0.407795 -1.518604 -1.113792 0.524132 mGbdXdaBrF -1.032162 -0.689032 -1.184794 1.680902 egws9vRTaw -0.876018 0.879759 -0.159719 -0.359441 dHGXXuP1oT -0.561575 0.447506 0.998484 -0.179926 9jCr4T1ABM 0.660226 0.227815 0.595446 -0.862358 nzC0wNkANA 1.327197 -2.228301 0.209119 0.321083 f1gbUQ2FR7 -1.150391 -0.190378 -2.058716 -0.449486 WbcpUcDZMj 0.561320 0.945240 0.902691 -0.389810 r2qfmlr3iF 1.093691 -0.467255 -0.032177 -0.248554 QrYstxgunK -1.268535 -0.905966 -1.452583 0.878582 r3zi3RY5us 0.704596 -1.270919 0.345733 1.423350 hnhvkmueIM 0.646636 0.496981 1.015088 1.113452 eKuxSLxIGa -1.702409 1.232963 0.089731 -0.480037 VWD7AF5T9j 0.281270 -0.246131 1.226429 2.118941 22zkhvcLZd -1.977567 -0.922947 0.886425 0.328335 hPYZF9y3IB -1.137796 -1.129235 -1.516711 -0.465867 XuxHS1HzZ3 -0.574693 0.826713 -0.487397 0.303155 >>> a = pd.util.testing.makeDataFrame() >>> a > .5 A B C D dXkJTlAkc9 True False False False Ln09Q1q7g9 False False False True dIQgDaq9b2 False False False False xWFDToUkr7 True False False False xH5mELuojY True True False False CjpqxkePjD True False False True xY9RGCqhAO False True False False EKnui571zS True False False False ghJrNKJuY8 True False True False H8w4cuIphV True False True False ALxoOl1jJb False True False True XJ4nlr8XK0 False False True True ddgrXORpkh False False True True oOsZDhi00d False False True True Ycer5SJX9T False False False True O3WO2G2eOv False True True True qLhZJtZuR3 False True True True eiBuxfXWyM False False False False VdxcO7Gztz False False False False xoRXaQcMY8 False True True False jsc3WBYqfO True True False True D3XaUA5wxS False False False False z8EBZ1aWAz True False False True BjHgTXcpy0 False False True True rOj7BN4mbq False True False True ULyw3Hm61E True False False True nlTLSnkn9g False False False True TVqJwv23fl False False False False 4IrjoN45oG False False False False 6Q5YuWOFxa False False False False >>> mask = (a > .5) & (a < .7) >>> mask.sum() A 2 B 0 C 4 D 2 dtype: int64 >>> mask.sum().sum() 8 >>> a[mask] A B C D dXkJTlAkc9 0.514351 NaN NaN NaN Ln09Q1q7g9 NaN NaN NaN NaN dIQgDaq9b2 NaN NaN NaN NaN xWFDToUkr7 NaN NaN NaN NaN xH5mELuojY NaN NaN NaN NaN CjpqxkePjD NaN NaN NaN NaN xY9RGCqhAO NaN NaN NaN NaN EKnui571zS NaN NaN NaN NaN ghJrNKJuY8 NaN NaN 0.564886 NaN H8w4cuIphV NaN NaN 0.640341 NaN ALxoOl1jJb NaN NaN NaN 0.523452 XJ4nlr8XK0 NaN NaN 0.685678 NaN ddgrXORpkh NaN NaN 0.611645 NaN oOsZDhi00d NaN NaN NaN 0.679720 Ycer5SJX9T NaN NaN NaN NaN O3WO2G2eOv NaN NaN NaN NaN qLhZJtZuR3 NaN NaN NaN NaN eiBuxfXWyM NaN NaN NaN NaN VdxcO7Gztz NaN NaN NaN NaN xoRXaQcMY8 NaN NaN NaN NaN jsc3WBYqfO NaN NaN NaN NaN D3XaUA5wxS NaN NaN NaN NaN z8EBZ1aWAz NaN NaN NaN NaN BjHgTXcpy0 NaN NaN NaN NaN rOj7BN4mbq NaN NaN NaN NaN ULyw3Hm61E 0.591463 NaN NaN NaN nlTLSnkn9g NaN NaN NaN NaN TVqJwv23fl NaN NaN NaN NaN 4IrjoN45oG NaN NaN NaN NaN 6Q5YuWOFxa NaN NaN NaN NaN >>>
댓글 입력