¿Cómo imprimir un DataFrame de Pandas completo en Python?

aa se trunca. En este artículo, vamos a ver cómo imprimir todo el marco de datos o serie de pandas sin truncamiento. 

De forma predeterminada, el marco de datos completo no se imprime si la longitud excede la longitud predeterminada, la salida se trunca como se muestra a continuación: 

import numpy as np
from sklearn.datasets import load_iris
import pandas as pd
 
# Loading irirs dataset
data = load_iris()
df = pd.DataFrame(data.data,
                  columns = data.feature_names)
display(df)

Producción:

Hay 4 métodos para imprimir todo el marco de datos de pandas:

• Usar el método to_string()
• Usar el método pd.option_context()
• Usar el método pd.set_options()
• Utilice el método pd.to_markdown()

Método 1: Usar to_string()

Si bien este método es el más simple de todos, no es recomendable para conjuntos de datos muy grandes (del orden de millones) porque convierte todo el marco de datos en un objeto de string, pero funciona muy bien para marcos de datos de tamaño del orden de miles.

Sintaxis: DataFrame.to_string(buf=Ninguno, columnas=Ninguno, col_space=Ninguno, encabezado=Verdadero, índice=Verdadero, na_rep=’NaN’, formateadores=Ninguno, float_format=Ninguno, index_names=Verdadero, justificar=Ninguno, max_rows= Ninguno, max_cols=Ninguno, show_dimensions=False, decimal=’.’, line_width=Ninguno)

Código:

import numpy as np
from sklearn.datasets import load_iris
import pandas as pd
 
data = load_iris()
df = pd.DataFrame(data.data,
                  columns = data.feature_names)
 
# Convert the whole dataframe as a string and display
display(df.to_string())

Producción:

Método 2: Usar pd.option_context()

Pandas permite cambiar la configuración a través del método option_context() y los métodos set_option(). Ambos métodos son idénticos con la diferencia de que luego uno cambia la configuración de forma permanente y el primero lo hace solo dentro del alcance del administrador de contexto.

Sintaxis: pandas.option_context(*args)

Código:

import numpy as np
from sklearn.datasets import load_iris
import pandas as pd
 
data = load_iris()
df = pd.DataFrame(data.data,
                  columns = data.feature_names)
 
# The scope of these changes made to
# pandas settings are local to with statement.
with pd.option_context('display.max_rows', None,
                       'display.max_columns', None,
                       'display.precision', 3,
                       ):
    print(df)

Producción:

Explicación: 

El código anterior usa ciertos parámetros de opciones, como ‘ display.max_rows ‘, su valor predeterminado es 10 y si el marco de datos tiene más de 10 filas, lo trunca, lo que estamos haciendo es hacer que su valor sea Ninguno, es decir, se muestran todas las filas. ahora. Del mismo modo, ‘ display.max_columns ‘ tiene 10 como valor predeterminado, también lo estamos configurando en Ninguno.

monitor. precision = 3 indica que después del punto decimal muestra hasta 3 valores aquí todos los valores tienen 1 valor y por lo tanto no afecta este ejemplo.

Método 3: Usar pd.set_option()

Este método es similar al método pd.option_context() y toma los mismos parámetros que se discutieron para el método 2, pero a diferencia de pd.option_context(), su alcance y efecto está en todo el script, es decir, todas las configuraciones de los marcos de datos se cambian de forma permanente. 

Para restablecer explícitamente el valor, use el método pd.reset_option(‘all’) para revertir los cambios.

Sintaxis: pandas.set_option(pat, valor)

Código:

import numpy as np
from sklearn.datasets import load_iris
import pandas as pd
 
data = load_iris()
df = pd.DataFrame(data.data,
                  columns = data.feature_names)
 
# Permanently changes the pandas settings
pd.set_option('display.max_rows', None)
pd.set_option('display.max_columns', None)
pd.set_option('display.width', None)
pd.set_option('display.max_colwidth', -1)
 
# All dataframes hereafter reflect these changes.
display(df)
 
print('**RESET_OPTIONS**')
 
# Resets the options
pd.reset_option('all')
display(df)

Producción:

Método 4: Usar to_markdown() 

Este método es similar al método to_string() ya que también convierte el marco de datos en un objeto de string y también le agrega estilo y formato.

Sintaxis: DataFrame.to_markdown(buf=Ninguno, mode=’wt’, index=True, **kwargs)

Código:

import numpy as np
from sklearn.datasets import load_iris
import pandas as pd
 
data = load_iris()
df = pd.DataFrame(data.data,
                  columns=data.feature_names)
 
# Converts the dataframe into str object with formatting
print(df.to_markdown())

Producción: