A Pandas Dataframe is a 2-dimensional labeled data structure (like SQL table) with heterogeneously typed columns, having both a row and a column index.
# To install this library in Jupyter notebook
import sys
!{sys.executable} -m pip install pandas --quiet
import pandas as pd
pd.__version__ , pd.__path__
('1.3.4', ['/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/site-packages/pandas'])
df_titanic = pd.read_csv('datasets/titanic3.csv')
df_titanic
pclass | survived | name | sex | age | sibsp | parch | ticket | fare | cabin | embarked | boat | body | home.dest | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1.0 | 1.0 | Allen, Miss. Elisabeth Walton | female | 29.0000 | 0.0 | 0.0 | 24160 | 211.3375 | B5 | S | 2 | NaN | St Louis, MO |
1 | 1.0 | 1.0 | Allison, Master. Hudson Trevor | male | 0.9167 | 1.0 | 2.0 | 113781 | 151.5500 | C22 C26 | S | 11 | NaN | Montreal, PQ / Chesterville, ON |
2 | 1.0 | 0.0 | Allison, Miss. Helen Loraine | female | 2.0000 | 1.0 | 2.0 | 113781 | 151.5500 | C22 C26 | S | NaN | NaN | Montreal, PQ / Chesterville, ON |
3 | 1.0 | 0.0 | Allison, Mr. Hudson Joshua Creighton | male | 30.0000 | 1.0 | 2.0 | 113781 | 151.5500 | C22 C26 | S | NaN | 135.0 | Montreal, PQ / Chesterville, ON |
4 | 1.0 | 0.0 | Allison, Mrs. Hudson J C (Bessie Waldo Daniels) | female | 25.0000 | 1.0 | 2.0 | 113781 | 151.5500 | C22 C26 | S | NaN | NaN | Montreal, PQ / Chesterville, ON |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
1305 | 3.0 | 0.0 | Zabour, Miss. Thamine | female | NaN | 1.0 | 0.0 | 2665 | 14.4542 | NaN | C | NaN | NaN | NaN |
1306 | 3.0 | 0.0 | Zakarian, Mr. Mapriededer | male | 26.5000 | 0.0 | 0.0 | 2656 | 7.2250 | NaN | C | NaN | 304.0 | NaN |
1307 | 3.0 | 0.0 | Zakarian, Mr. Ortin | male | 27.0000 | 0.0 | 0.0 | 2670 | 7.2250 | NaN | C | NaN | NaN | NaN |
1308 | 3.0 | 0.0 | Zimmerman, Mr. Leo | male | 29.0000 | 0.0 | 0.0 | 315082 | 7.8750 | NaN | S | NaN | NaN | NaN |
1309 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
1310 rows × 14 columns
df_imdb = pd.read_csv('datasets/imdb.csv')
df_imdb
star_rating | title | content_rating | genre | duration | actors_list | |
---|---|---|---|---|---|---|
0 | 9.3 | The Shawshank Redemption | R | Crime | 142 | [u'Tim Robbins', u'Morgan Freeman', u'Bob Gunt... |
1 | 9.2 | The Godfather | R | Crime | 175 | [u'Marlon Brando', u'Al Pacino', u'James Caan'] |
2 | 9.1 | The Godfather: Part II | R | Crime | 200 | [u'Al Pacino', u'Robert De Niro', u'Robert Duv... |
3 | 9.0 | The Dark Knight | PG-13 | Action | 152 | [u'Christian Bale', u'Heath Ledger', u'Aaron E... |
4 | 8.9 | Pulp Fiction | R | Crime | 154 | [u'John Travolta', u'Uma Thurman', u'Samuel L.... |
... | ... | ... | ... | ... | ... | ... |
974 | 7.4 | Tootsie | PG | Comedy | 116 | [u'Dustin Hoffman', u'Jessica Lange', u'Teri G... |
975 | 7.4 | Back to the Future Part III | PG | Adventure | 118 | [u'Michael J. Fox', u'Christopher Lloyd', u'Ma... |
976 | 7.4 | Master and Commander: The Far Side of the World | PG-13 | Action | 138 | [u'Russell Crowe', u'Paul Bettany', u'Billy Bo... |
977 | 7.4 | Poltergeist | PG | Horror | 114 | [u'JoBeth Williams', u"Heather O'Rourke", u'Cr... |
978 | 7.4 | Wall Street | R | Crime | 126 | [u'Charlie Sheen', u'Michael Douglas', u'Tamar... |
979 rows × 6 columns
df_covid =pd.read_csv('datasets/covid-data.csv')
df_covid
iso_code | continent | location | date | total_cases | new_cases | new_cases_smoothed | total_deaths | new_deaths | new_deaths_smoothed | ... | female_smokers | male_smokers | handwashing_facilities | hospital_beds_per_thousand | life_expectancy | human_development_index | excess_mortality_cumulative_absolute | excess_mortality_cumulative | excess_mortality | excess_mortality_cumulative_per_million | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | AFG | Asia | Afghanistan | 2020-02-24 | 5.0 | 5.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
1 | AFG | Asia | Afghanistan | 2020-02-25 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
2 | AFG | Asia | Afghanistan | 2020-02-26 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
3 | AFG | Asia | Afghanistan | 2020-02-27 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
4 | AFG | Asia | Afghanistan | 2020-02-28 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
151080 | ZWE | Africa | Zimbabwe | 2021-12-26 | 204351.0 | 605.0 | 1811.143 | 4891.0 | 6.0 | 15.571 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151081 | ZWE | Africa | Zimbabwe | 2021-12-27 | 205449.0 | 1098.0 | 1481.429 | 4908.0 | 17.0 | 14.714 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151082 | ZWE | Africa | Zimbabwe | 2021-12-28 | 207548.0 | 2099.0 | 1397.143 | 4940.0 | 32.0 | 17.286 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151083 | ZWE | Africa | Zimbabwe | 2021-12-29 | 207548.0 | 0.0 | 1163.429 | 4940.0 | 0.0 | 16.000 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151084 | ZWE | Africa | Zimbabwe | 2021-12-30 | 211728.0 | 4180.0 | 1483.429 | 4997.0 | 57.0 | 20.286 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151085 rows × 67 columns
person = {
"name" : "Arif",
"age" : 51,
"address" : "Karachi",
"cell" : "0320-431",
"bg": "A-"
}
person
{'name': 'Arif', 'age': 51, 'address': 'Karachi', 'cell': '0320-431', 'bg': 'A-'}
people = {
"name" : ["Rauf", "Arif", "Maaz", "Hadeed", "Mujahid", "Mohid"],
"age" : [52, 51, 26, 22, 18, 17],
"address": ["Lahore", "Karachi", "Lahore", "Islamabad", "Kakul", "Karachi"],
"cell" : ["321-123", "320-431", "321-478", "324-446", "321-967", "320-678"],
"bg": ["B+", "A-", "B+", "O-", "A-", "B+"]
}
people
{'name': ['Rauf', 'Arif', 'Maaz', 'Hadeed', 'Mujahid', 'Mohid'], 'age': [52, 51, 26, 22, 18, 17], 'address': ['Lahore', 'Karachi', 'Lahore', 'Islamabad', 'Kakul', 'Karachi'], 'cell': ['321-123', '320-431', '321-478', '324-446', '321-967', '320-678'], 'bg': ['B+', 'A-', 'B+', 'O-', 'A-', 'B+']}
! cat datasets/people.csv
name, age, address, cell, bg Rauf, 52, Lahore, 321-123, B+ Arif,51, Karachi,320-431,A- Maaz,26, Lahore,321-478,B+ Hadeed,22, Islamabad, 324-446,O- Mujahid,18, Kakul,321-967,A- Mohid,17,Karachi,320-678,B+
df_people = pd.read_csv('datasets/people.csv')
df_people
name | age | address | cell | bg | |
---|---|---|---|---|---|
0 | Rauf | 52 | Lahore | 321-123 | B+ |
1 | Arif | 51 | Karachi | 320-431 | A- |
2 | Maaz | 26 | Lahore | 321-478 | B+ |
3 | Hadeed | 22 | Islamabad | 324-446 | O- |
4 | Mujahid | 18 | Kakul | 321-967 | A- |
5 | Mohid | 17 | Karachi | 320-678 | B+ |
Accessing Elements of Dictionaries and Dataframes
people.get('age')
[52, 51, 26, 22, 18, 17]
mylist = people['name']
mylist
['Rauf', 'Arif', 'Maaz', 'Hadeed', 'Mujahid', 'Mohid']
type(mylist)
list
df_people[' age']
0 52 1 51 2 26 3 22 4 18 5 17 Name: age, dtype: int64
myseries = df_people['name']
myseries
0 Rauf 1 Arif 2 Maaz 3 Hadeed 4 Mujahid 5 Mohid Name: name, dtype: object
type(myseries)
pandas.core.series.Series
df_people.index
RangeIndex(start=0, stop=6, step=1)
df_people.columns
Index(['name', ' age', ' address', ' cell', ' bg'], dtype='object')
pd.describe_option()
pd.get_option('nameofoption')
pd.set_option('nameofoption', newvalue)
df_covid
iso_code | continent | location | date | total_cases | new_cases | new_cases_smoothed | total_deaths | new_deaths | new_deaths_smoothed | ... | female_smokers | male_smokers | handwashing_facilities | hospital_beds_per_thousand | life_expectancy | human_development_index | excess_mortality_cumulative_absolute | excess_mortality_cumulative | excess_mortality | excess_mortality_cumulative_per_million | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | AFG | Asia | Afghanistan | 2020-02-24 | 5.0 | 5.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
1 | AFG | Asia | Afghanistan | 2020-02-25 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
2 | AFG | Asia | Afghanistan | 2020-02-26 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
3 | AFG | Asia | Afghanistan | 2020-02-27 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
4 | AFG | Asia | Afghanistan | 2020-02-28 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | ... | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
151080 | ZWE | Africa | Zimbabwe | 2021-12-26 | 204351.0 | 605.0 | 1811.143 | 4891.0 | 6.0 | 15.571 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151081 | ZWE | Africa | Zimbabwe | 2021-12-27 | 205449.0 | 1098.0 | 1481.429 | 4908.0 | 17.0 | 14.714 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151082 | ZWE | Africa | Zimbabwe | 2021-12-28 | 207548.0 | 2099.0 | 1397.143 | 4940.0 | 32.0 | 17.286 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151083 | ZWE | Africa | Zimbabwe | 2021-12-29 | 207548.0 | 0.0 | 1163.429 | 4940.0 | 0.0 | 16.000 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151084 | ZWE | Africa | Zimbabwe | 2021-12-30 | 211728.0 | 4180.0 | 1483.429 | 4997.0 | 57.0 | 20.286 | ... | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151085 rows × 67 columns
pd.describe_option()
compute.use_bottleneck : bool Use the bottleneck library to accelerate if it is installed, the default is True Valid values: False,True [default: True] [currently: True] compute.use_numba : bool Use the numba engine option for select operations if it is installed, the default is False Valid values: False,True [default: False] [currently: False] compute.use_numexpr : bool Use the numexpr library to accelerate computation if it is installed, the default is True Valid values: False,True [default: True] [currently: True] display.chop_threshold : float or None if set to a float value, all float values smaller then the given threshold will be displayed as exactly 0 by repr and friends. [default: None] [currently: None] display.colheader_justify : 'left'/'right' Controls the justification of column headers. used by DataFrameFormatter. [default: right] [currently: right] display.column_space No description available. [default: 12] [currently: 12] display.date_dayfirst : boolean When True, prints and parses dates with the day first, eg 20/01/2005 [default: False] [currently: False] display.date_yearfirst : boolean When True, prints and parses dates with the year first, eg 2005/01/20 [default: False] [currently: False] display.encoding : str/unicode Defaults to the detected encoding of the console. Specifies the encoding to be used for strings returned by to_string, these are generally strings meant to be displayed on the console. [default: UTF-8] [currently: UTF-8] display.expand_frame_repr : boolean Whether to print out the full DataFrame repr for wide DataFrames across multiple lines, `max_columns` is still respected, but the output will wrap-around across multiple "pages" if its width exceeds `display.width`. [default: True] [currently: True] display.float_format : callable The callable should accept a floating point number and return a string with the desired format of the number. This is used in some places like SeriesFormatter. See formats.format.EngFormatter for an example. [default: None] [currently: None] display.html.border : int A ``border=value`` attribute is inserted in the ``<table>`` tag for the DataFrame HTML repr. [default: 1] [currently: 1] display.html.table_schema : boolean Whether to publish a Table Schema representation for frontends that support it. (default: False) [default: False] [currently: False] display.html.use_mathjax : boolean When True, Jupyter notebook will process table contents using MathJax, rendering mathematical expressions enclosed by the dollar symbol. (default: True) [default: True] [currently: True] display.large_repr : 'truncate'/'info' For DataFrames exceeding max_rows/max_cols, the repr (and HTML repr) can show a truncated table (the default from 0.13), or switch to the view from df.info() (the behaviour in earlier versions of pandas). [default: truncate] [currently: truncate] display.latex.escape : bool This specifies if the to_latex method of a Dataframe uses escapes special characters. Valid values: False,True [default: True] [currently: True] display.latex.longtable :bool This specifies if the to_latex method of a Dataframe uses the longtable format. Valid values: False,True [default: False] [currently: False] display.latex.multicolumn : bool This specifies if the to_latex method of a Dataframe uses multicolumns to pretty-print MultiIndex columns. Valid values: False,True [default: True] [currently: True] display.latex.multicolumn_format : bool This specifies if the to_latex method of a Dataframe uses multicolumns to pretty-print MultiIndex columns. Valid values: False,True [default: l] [currently: l] display.latex.multirow : bool This specifies if the to_latex method of a Dataframe uses multirows to pretty-print MultiIndex rows. Valid values: False,True [default: False] [currently: False] display.latex.repr : boolean Whether to produce a latex DataFrame representation for jupyter environments that support it. (default: False) [default: False] [currently: False] display.max_categories : int This sets the maximum number of categories pandas should output when printing out a `Categorical` or a Series of dtype "category". [default: 8] [currently: 8] display.max_columns : int If max_cols is exceeded, switch to truncate view. Depending on `large_repr`, objects are either centrally truncated or printed as a summary view. 'None' value means unlimited. In case python/IPython is running in a terminal and `large_repr` equals 'truncate' this can be set to 0 and pandas will auto-detect the width of the terminal and print a truncated object which fits the screen width. The IPython notebook, IPython qtconsole, or IDLE do not run in a terminal and hence it is not possible to do correct auto-detection. [default: 20] [currently: 20] display.max_colwidth : int or None The maximum width in characters of a column in the repr of a pandas data structure. When the column overflows, a "..." placeholder is embedded in the output. A 'None' value means unlimited. [default: 50] [currently: 50] display.max_info_columns : int max_info_columns is used in DataFrame.info method to decide if per column information will be printed. [default: 100] [currently: 100] display.max_info_rows : int or None df.info() will usually show null-counts for each column. For large frames this can be quite slow. max_info_rows and max_info_cols limit this null check only to frames with smaller dimensions than specified. [default: 1690785] [currently: 1690785] display.max_rows : int If max_rows is exceeded, switch to truncate view. Depending on `large_repr`, objects are either centrally truncated or printed as a summary view. 'None' value means unlimited. In case python/IPython is running in a terminal and `large_repr` equals 'truncate' this can be set to 0 and pandas will auto-detect the height of the terminal and print a truncated object which fits the screen height. The IPython notebook, IPython qtconsole, or IDLE do not run in a terminal and hence it is not possible to do correct auto-detection. [default: 60] [currently: 60] display.max_seq_items : int or None When pretty-printing a long sequence, no more then `max_seq_items` will be printed. If items are omitted, they will be denoted by the addition of "..." to the resulting string. If set to None, the number of items to be printed is unlimited. [default: 100] [currently: 100] display.memory_usage : bool, string or None This specifies if the memory usage of a DataFrame should be displayed when df.info() is called. Valid values True,False,'deep' [default: True] [currently: True] display.min_rows : int The numbers of rows to show in a truncated view (when `max_rows` is exceeded). Ignored when `max_rows` is set to None or 0. When set to None, follows the value of `max_rows`. [default: 10] [currently: 10] display.multi_sparse : boolean "sparsify" MultiIndex display (don't display repeated elements in outer levels within groups) [default: True] [currently: True] display.notebook_repr_html : boolean When True, IPython notebook will use html representation for pandas objects (if it is available). [default: True] [currently: True] display.pprint_nest_depth : int Controls the number of nested levels to process when pretty-printing [default: 3] [currently: 3] display.precision : int Floating point output precision in terms of number of places after the decimal, for regular formatting as well as scientific notation. Similar to ``precision`` in :meth:`numpy.set_printoptions`. [default: 6] [currently: 6] display.show_dimensions : boolean or 'truncate' Whether to print out dimensions at the end of DataFrame repr. If 'truncate' is specified, only print out the dimensions if the frame is truncated (e.g. not display all rows and/or columns) [default: truncate] [currently: truncate] display.unicode.ambiguous_as_wide : boolean Whether to use the Unicode East Asian Width to calculate the display text width. Enabling this may affect to the performance (default: False) [default: False] [currently: False] display.unicode.east_asian_width : boolean Whether to use the Unicode East Asian Width to calculate the display text width. Enabling this may affect to the performance (default: False) [default: False] [currently: False] display.width : int Width of the display in characters. In case python/IPython is running in a terminal this can be set to None and pandas will correctly auto-detect the width. Note that the IPython notebook, IPython qtconsole, or IDLE do not run in a terminal and hence it is not possible to correctly detect the width. [default: 80] [currently: 80] io.excel.ods.reader : string The default Excel reader engine for 'ods' files. Available options: auto, odf. [default: auto] [currently: auto] io.excel.ods.writer : string The default Excel writer engine for 'ods' files. Available options: auto, odf. [default: auto] [currently: auto] io.excel.xls.reader : string The default Excel reader engine for 'xls' files. Available options: auto, xlrd. [default: auto] [currently: auto] io.excel.xls.writer : string The default Excel writer engine for 'xls' files. Available options: auto, xlwt. [default: auto] [currently: auto] (Deprecated, use `` instead.) io.excel.xlsb.reader : string The default Excel reader engine for 'xlsb' files. Available options: auto, pyxlsb. [default: auto] [currently: auto] io.excel.xlsm.reader : string The default Excel reader engine for 'xlsm' files. Available options: auto, xlrd, openpyxl. [default: auto] [currently: auto] io.excel.xlsm.writer : string The default Excel writer engine for 'xlsm' files. Available options: auto, openpyxl. [default: auto] [currently: auto] io.excel.xlsx.reader : string The default Excel reader engine for 'xlsx' files. Available options: auto, xlrd, openpyxl. [default: auto] [currently: auto] io.excel.xlsx.writer : string The default Excel writer engine for 'xlsx' files. Available options: auto, openpyxl, xlsxwriter. [default: auto] [currently: auto] io.hdf.default_format : format default format writing format, if None, then put will default to 'fixed' and append will default to 'table' [default: None] [currently: None] io.hdf.dropna_table : boolean drop ALL nan rows when appending to a table [default: False] [currently: False] io.parquet.engine : string The default parquet reader/writer engine. Available options: 'auto', 'pyarrow', 'fastparquet', the default is 'auto' [default: auto] [currently: auto] io.sql.engine : string The default sql reader/writer engine. Available options: 'auto', 'sqlalchemy', the default is 'auto' [default: auto] [currently: auto] mode.chained_assignment : string Raise an exception, warn, or no action if trying to use chained assignment, The default is warn [default: warn] [currently: warn] mode.data_manager : string Internal data manager type; can be "block" or "array". Defaults to "block", unless overridden by the 'PANDAS_DATA_MANAGER' environment variable (needs to be set before pandas is imported). [default: block] [currently: block] mode.sim_interactive : boolean Whether to simulate interactive mode for purposes of testing [default: False] [currently: False] mode.string_storage : string The default storage for StringDtype. [default: python] [currently: python] mode.use_inf_as_na : boolean True means treat None, NaN, INF, -INF as NA (old way), False means None and NaN are null, but INF, -INF are not NA (new way). [default: False] [currently: False] mode.use_inf_as_null : boolean use_inf_as_null had been deprecated and will be removed in a future version. Use `use_inf_as_na` instead. [default: False] [currently: False] (Deprecated, use `mode.use_inf_as_na` instead.) plotting.backend : str The plotting backend to use. The default value is "matplotlib", the backend provided with pandas. Other backends can be specified by providing the name of the module that implements the backend. [default: matplotlib] [currently: matplotlib] plotting.matplotlib.register_converters : bool or 'auto'. Whether to register converters with matplotlib's units registry for dates, times, datetimes, and Periods. Toggling to False will remove the converters, restoring any converters that pandas overwrote. [default: auto] [currently: auto] styler.render.max_elements : int The maximum number of data-cell (<td>) elements that will be rendered before trimming will occur over columns, rows or both if needed. [default: 262144] [currently: 262144] styler.sparse.columns : bool Whether to sparsify the display of hierarchical columns. Setting to False will display each explicit level element in a hierarchical key for each column. [default: True] [currently: True] styler.sparse.index : bool Whether to sparsify the display of a hierarchical index. Setting to False will display each explicit level element in a hierarchical key for each row. [default: True] [currently: True]
pd.get_option('max_columns')
20
pd.set_option('max_columns', 67)
pd.get_option('max_columns')
67
df_covid
iso_code | continent | location | date | total_cases | new_cases | new_cases_smoothed | total_deaths | new_deaths | new_deaths_smoothed | total_cases_per_million | new_cases_per_million | new_cases_smoothed_per_million | total_deaths_per_million | new_deaths_per_million | new_deaths_smoothed_per_million | reproduction_rate | icu_patients | icu_patients_per_million | hosp_patients | hosp_patients_per_million | weekly_icu_admissions | weekly_icu_admissions_per_million | weekly_hosp_admissions | weekly_hosp_admissions_per_million | new_tests | total_tests | total_tests_per_thousand | new_tests_per_thousand | new_tests_smoothed | new_tests_smoothed_per_thousand | positive_rate | tests_per_case | tests_units | total_vaccinations | people_vaccinated | people_fully_vaccinated | total_boosters | new_vaccinations | new_vaccinations_smoothed | total_vaccinations_per_hundred | people_vaccinated_per_hundred | people_fully_vaccinated_per_hundred | total_boosters_per_hundred | new_vaccinations_smoothed_per_million | new_people_vaccinated_smoothed | new_people_vaccinated_smoothed_per_hundred | stringency_index | population | population_density | median_age | aged_65_older | aged_70_older | gdp_per_capita | extreme_poverty | cardiovasc_death_rate | diabetes_prevalence | female_smokers | male_smokers | handwashing_facilities | hospital_beds_per_thousand | life_expectancy | human_development_index | excess_mortality_cumulative_absolute | excess_mortality_cumulative | excess_mortality | excess_mortality_cumulative_per_million | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | AFG | Asia | Afghanistan | 2020-02-24 | 5.0 | 5.0 | NaN | NaN | NaN | NaN | 0.126 | 0.126 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
1 | AFG | Asia | Afghanistan | 2020-02-25 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
2 | AFG | Asia | Afghanistan | 2020-02-26 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
3 | AFG | Asia | Afghanistan | 2020-02-27 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
4 | AFG | Asia | Afghanistan | 2020-02-28 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
151080 | ZWE | Africa | Zimbabwe | 2021-12-26 | 204351.0 | 605.0 | 1811.143 | 4891.0 | 6.0 | 15.571 | 13540.199 | 40.087 | 120.005 | 324.075 | 0.398 | 1.032 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1843.0 | 1675163.0 | 110.995 | 0.122 | 4957.0 | 0.328 | 0.3654 | 2.7 | tests performed | 7214640.0 | 4103288.0 | 3111352.0 | NaN | 5591.0 | 12994.0 | 47.80 | 27.19 | 20.62 | NaN | 861.0 | 7018.0 | 0.047 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151081 | ZWE | Africa | Zimbabwe | 2021-12-27 | 205449.0 | 1098.0 | 1481.429 | 4908.0 | 17.0 | 14.714 | 13612.952 | 72.753 | 98.159 | 325.202 | 1.126 | 0.975 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7218438.0 | 4105296.0 | 3113142.0 | NaN | 3798.0 | 11918.0 | 47.83 | 27.20 | 20.63 | NaN | 790.0 | 6425.0 | 0.043 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151082 | ZWE | Africa | Zimbabwe | 2021-12-28 | 207548.0 | 2099.0 | 1397.143 | 4940.0 | 32.0 | 17.286 | 13752.031 | 139.079 | 92.574 | 327.322 | 2.120 | 1.145 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7222341.0 | 4107151.0 | 3115190.0 | NaN | 3903.0 | 10056.0 | 47.85 | 27.21 | 20.64 | NaN | 666.0 | 5407.0 | 0.036 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151083 | ZWE | Africa | Zimbabwe | 2021-12-29 | 207548.0 | 0.0 | 1163.429 | 4940.0 | 0.0 | 16.000 | 13752.031 | 0.000 | 77.088 | 327.322 | 0.000 | 1.060 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7234293.0 | 4112517.0 | 3121776.0 | NaN | 11952.0 | 9526.0 | 47.93 | 27.25 | 20.68 | NaN | 631.0 | 4796.0 | 0.032 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151084 | ZWE | Africa | Zimbabwe | 2021-12-30 | 211728.0 | 4180.0 | 1483.429 | 4997.0 | 57.0 | 20.286 | 14028.996 | 276.965 | 98.291 | 331.099 | 3.777 | 1.344 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151085 rows × 67 columns
Display 6 rows instead of default of 10
pd.get_option('min_rows')
10
pd.set_option('min_rows', 8)
pd.get_option('min_rows')
8
df_covid
iso_code | continent | location | date | total_cases | new_cases | new_cases_smoothed | total_deaths | new_deaths | new_deaths_smoothed | total_cases_per_million | new_cases_per_million | new_cases_smoothed_per_million | total_deaths_per_million | new_deaths_per_million | new_deaths_smoothed_per_million | reproduction_rate | icu_patients | icu_patients_per_million | hosp_patients | hosp_patients_per_million | weekly_icu_admissions | weekly_icu_admissions_per_million | weekly_hosp_admissions | weekly_hosp_admissions_per_million | new_tests | total_tests | total_tests_per_thousand | new_tests_per_thousand | new_tests_smoothed | new_tests_smoothed_per_thousand | positive_rate | tests_per_case | tests_units | total_vaccinations | people_vaccinated | people_fully_vaccinated | total_boosters | new_vaccinations | new_vaccinations_smoothed | total_vaccinations_per_hundred | people_vaccinated_per_hundred | people_fully_vaccinated_per_hundred | total_boosters_per_hundred | new_vaccinations_smoothed_per_million | new_people_vaccinated_smoothed | new_people_vaccinated_smoothed_per_hundred | stringency_index | population | population_density | median_age | aged_65_older | aged_70_older | gdp_per_capita | extreme_poverty | cardiovasc_death_rate | diabetes_prevalence | female_smokers | male_smokers | handwashing_facilities | hospital_beds_per_thousand | life_expectancy | human_development_index | excess_mortality_cumulative_absolute | excess_mortality_cumulative | excess_mortality | excess_mortality_cumulative_per_million | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | AFG | Asia | Afghanistan | 2020-02-24 | 5.0 | 5.0 | NaN | NaN | NaN | NaN | 0.126 | 0.126 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
1 | AFG | Asia | Afghanistan | 2020-02-25 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
2 | AFG | Asia | Afghanistan | 2020-02-26 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
3 | AFG | Asia | Afghanistan | 2020-02-27 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
151081 | ZWE | Africa | Zimbabwe | 2021-12-27 | 205449.0 | 1098.0 | 1481.429 | 4908.0 | 17.0 | 14.714 | 13612.952 | 72.753 | 98.159 | 325.202 | 1.126 | 0.975 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7218438.0 | 4105296.0 | 3113142.0 | NaN | 3798.0 | 11918.0 | 47.83 | 27.20 | 20.63 | NaN | 790.0 | 6425.0 | 0.043 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151082 | ZWE | Africa | Zimbabwe | 2021-12-28 | 207548.0 | 2099.0 | 1397.143 | 4940.0 | 32.0 | 17.286 | 13752.031 | 139.079 | 92.574 | 327.322 | 2.120 | 1.145 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7222341.0 | 4107151.0 | 3115190.0 | NaN | 3903.0 | 10056.0 | 47.85 | 27.21 | 20.64 | NaN | 666.0 | 5407.0 | 0.036 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151083 | ZWE | Africa | Zimbabwe | 2021-12-29 | 207548.0 | 0.0 | 1163.429 | 4940.0 | 0.0 | 16.000 | 13752.031 | 0.000 | 77.088 | 327.322 | 0.000 | 1.060 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7234293.0 | 4112517.0 | 3121776.0 | NaN | 11952.0 | 9526.0 | 47.93 | 27.25 | 20.68 | NaN | 631.0 | 4796.0 | 0.032 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151084 | ZWE | Africa | Zimbabwe | 2021-12-30 | 211728.0 | 4180.0 | 1483.429 | 4997.0 | 57.0 | 20.286 | 14028.996 | 276.965 | 98.291 | 331.099 | 3.777 | 1.344 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151085 rows × 67 columns
Display 30 rows instead of default of 10
pd.set_option('min_rows', 30)
pd.get_option('min_rows')
30
df_covid
iso_code | continent | location | date | total_cases | new_cases | new_cases_smoothed | total_deaths | new_deaths | new_deaths_smoothed | total_cases_per_million | new_cases_per_million | new_cases_smoothed_per_million | total_deaths_per_million | new_deaths_per_million | new_deaths_smoothed_per_million | reproduction_rate | icu_patients | icu_patients_per_million | hosp_patients | hosp_patients_per_million | weekly_icu_admissions | weekly_icu_admissions_per_million | weekly_hosp_admissions | weekly_hosp_admissions_per_million | new_tests | total_tests | total_tests_per_thousand | new_tests_per_thousand | new_tests_smoothed | new_tests_smoothed_per_thousand | positive_rate | tests_per_case | tests_units | total_vaccinations | people_vaccinated | people_fully_vaccinated | total_boosters | new_vaccinations | new_vaccinations_smoothed | total_vaccinations_per_hundred | people_vaccinated_per_hundred | people_fully_vaccinated_per_hundred | total_boosters_per_hundred | new_vaccinations_smoothed_per_million | new_people_vaccinated_smoothed | new_people_vaccinated_smoothed_per_hundred | stringency_index | population | population_density | median_age | aged_65_older | aged_70_older | gdp_per_capita | extreme_poverty | cardiovasc_death_rate | diabetes_prevalence | female_smokers | male_smokers | handwashing_facilities | hospital_beds_per_thousand | life_expectancy | human_development_index | excess_mortality_cumulative_absolute | excess_mortality_cumulative | excess_mortality | excess_mortality_cumulative_per_million | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | AFG | Asia | Afghanistan | 2020-02-24 | 5.0 | 5.0 | NaN | NaN | NaN | NaN | 0.126 | 0.126 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
1 | AFG | Asia | Afghanistan | 2020-02-25 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
2 | AFG | Asia | Afghanistan | 2020-02-26 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
3 | AFG | Asia | Afghanistan | 2020-02-27 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
4 | AFG | Asia | Afghanistan | 2020-02-28 | 5.0 | 0.0 | NaN | NaN | NaN | NaN | 0.126 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
5 | AFG | Asia | Afghanistan | 2020-02-29 | 5.0 | 0.0 | 0.714 | NaN | NaN | NaN | 0.126 | 0.000 | 0.018 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 8.33 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
6 | AFG | Asia | Afghanistan | 2020-03-01 | 5.0 | 0.0 | 0.714 | NaN | NaN | NaN | 0.126 | 0.000 | 0.018 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
7 | AFG | Asia | Afghanistan | 2020-03-02 | 5.0 | 0.0 | 0.000 | NaN | NaN | NaN | 0.126 | 0.000 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
8 | AFG | Asia | Afghanistan | 2020-03-03 | 5.0 | 0.0 | 0.000 | NaN | NaN | NaN | 0.126 | 0.000 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
9 | AFG | Asia | Afghanistan | 2020-03-04 | 5.0 | 0.0 | 0.000 | NaN | NaN | NaN | 0.126 | 0.000 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
10 | AFG | Asia | Afghanistan | 2020-03-05 | 5.0 | 0.0 | 0.000 | NaN | NaN | NaN | 0.126 | 0.000 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
11 | AFG | Asia | Afghanistan | 2020-03-06 | 5.0 | 0.0 | 0.000 | NaN | NaN | NaN | 0.126 | 0.000 | 0.000 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
12 | AFG | Asia | Afghanistan | 2020-03-07 | 8.0 | 3.0 | 0.429 | NaN | NaN | NaN | 0.201 | 0.075 | 0.011 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
13 | AFG | Asia | Afghanistan | 2020-03-08 | 8.0 | 0.0 | 0.429 | NaN | NaN | NaN | 0.201 | 0.000 | 0.011 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
14 | AFG | Asia | Afghanistan | 2020-03-09 | 8.0 | 0.0 | 0.429 | NaN | NaN | NaN | 0.201 | 0.000 | 0.011 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 27.78 | 39835428.0 | 54.422 | 18.6 | 2.581 | 1.337 | 1803.987 | NaN | 597.029 | 9.59 | NaN | NaN | 37.746 | 0.5 | 64.83 | 0.511 | NaN | NaN | NaN | NaN |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
151070 | ZWE | Africa | Zimbabwe | 2021-12-16 | 182057.0 | 4367.0 | 3748.571 | 4759.0 | 14.0 | 5.143 | 12063.009 | 289.355 | 248.379 | 315.329 | 0.928 | 0.341 | 1.42 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 12390.0 | 1622279.0 | 107.491 | 0.821 | 12471.0 | 0.826 | 0.3006 | 3.3 | tests performed | 7058474.0 | 4023289.0 | 3035185.0 | NaN | 45074.0 | 26738.0 | 46.77 | 26.66 | 20.11 | NaN | 1772.0 | 14047.0 | 0.093 | 63.89 | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151071 | ZWE | Africa | Zimbabwe | 2021-12-17 | 189567.0 | 7510.0 | 4821.429 | 4779.0 | 20.0 | 8.000 | 12560.618 | 497.609 | 319.466 | 316.654 | 1.325 | 0.530 | 1.35 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 9483.0 | 1631762.0 | 108.120 | 0.628 | 11700.0 | 0.775 | 0.4121 | 2.4 | tests performed | 7092391.0 | 4038743.0 | 3053648.0 | NaN | 33917.0 | 27618.0 | 46.99 | 26.76 | 20.23 | NaN | 1830.0 | 14384.0 | 0.095 | 63.89 | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151072 | ZWE | Africa | Zimbabwe | 2021-12-18 | 189567.0 | 0.0 | 3509.286 | 4779.0 | 0.0 | 6.286 | 12560.618 | 0.000 | 232.524 | 316.654 | 0.000 | 0.416 | 1.23 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 5430.0 | 1637192.0 | 108.480 | 0.360 | 11251.0 | 0.745 | 0.3119 | 3.2 | tests performed | 7111946.0 | 4048019.0 | 3063927.0 | NaN | 19555.0 | 28607.0 | 47.12 | 26.82 | 20.30 | NaN | 1895.0 | 14744.0 | 0.098 | 63.89 | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151073 | ZWE | Africa | Zimbabwe | 2021-12-19 | 191673.0 | 2106.0 | 3504.714 | 4782.0 | 3.0 | 6.286 | 12700.161 | 139.543 | 232.221 | 316.853 | 0.199 | 0.416 | 1.15 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 3273.0 | 1640465.0 | 108.696 | 0.217 | 10478.0 | 0.694 | 0.3345 | 3.0 | tests performed | 7123684.0 | 4054165.0 | 3069519.0 | NaN | 11738.0 | 27121.0 | 47.20 | 26.86 | 20.34 | NaN | 1797.0 | 13899.0 | 0.092 | 63.89 | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151074 | ZWE | Africa | Zimbabwe | 2021-12-20 | 195079.0 | 3406.0 | 3991.286 | 4805.0 | 23.0 | 9.571 | 12925.841 | 225.680 | 264.461 | 318.377 | 1.524 | 0.634 | 1.08 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 4830.0 | 1645295.0 | 109.016 | 0.320 | 9270.0 | 0.614 | 0.4306 | 2.3 | tests performed | 7135013.0 | 4060322.0 | 3074691.0 | NaN | 11329.0 | 25553.0 | 47.28 | 26.90 | 20.37 | NaN | 1693.0 | 13220.0 | 0.088 | 63.89 | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151075 | ZWE | Africa | Zimbabwe | 2021-12-21 | 197768.0 | 2689.0 | 3679.429 | 4819.0 | 14.0 | 11.286 | 13104.013 | 178.172 | 243.797 | 319.305 | 0.928 | 0.748 | 0.99 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 12086.0 | 1657381.0 | 109.817 | 0.801 | 8597.0 | 0.570 | 0.4280 | 2.3 | tests performed | 7151946.0 | 4069302.0 | 3082644.0 | NaN | 16933.0 | 24507.0 | 47.39 | 26.96 | 20.43 | NaN | 1624.0 | 12505.0 | 0.083 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151076 | ZWE | Africa | Zimbabwe | 2021-12-22 | 199404.0 | 1636.0 | 3102.000 | 4828.0 | 9.0 | 11.857 | 13212.413 | 108.401 | 205.537 | 319.901 | 0.596 | 0.786 | 0.93 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 4663.0 | 1662044.0 | 110.126 | 0.309 | 7451.0 | 0.494 | 0.4163 | 2.4 | tests performed | 7167610.0 | 4078945.0 | 3088665.0 | NaN | 15664.0 | 22030.0 | 47.49 | 27.03 | 20.47 | NaN | 1460.0 | 11275.0 | 0.075 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151077 | ZWE | Africa | Zimbabwe | 2021-12-23 | 201344.0 | 1940.0 | 2755.286 | 4855.0 | 27.0 | 13.714 | 13340.957 | 128.543 | 182.564 | 321.690 | 1.789 | 0.909 | 0.90 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 3919.0 | 1665963.0 | 110.386 | 0.260 | 6241.0 | 0.414 | 0.4415 | 2.3 | tests performed | 7188128.0 | 4089315.0 | 3098813.0 | NaN | 20518.0 | 18522.0 | 47.63 | 27.10 | 20.53 | NaN | 1227.0 | 9432.0 | 0.062 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151078 | ZWE | Africa | Zimbabwe | 2021-12-24 | 202736.0 | 1392.0 | 1881.286 | 4871.0 | 16.0 | 13.143 | 13433.190 | 92.233 | 124.653 | 322.750 | 1.060 | 0.871 | 0.88 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 4454.0 | 1670417.0 | 110.681 | 0.295 | 5522.0 | 0.366 | 0.3407 | 2.9 | tests performed | 7200776.0 | 4095685.0 | 3105091.0 | NaN | 12648.0 | 15484.0 | 47.71 | 27.14 | 20.57 | NaN | 1026.0 | 8135.0 | 0.054 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151079 | ZWE | Africa | Zimbabwe | 2021-12-25 | 203746.0 | 1010.0 | 2025.571 | 4885.0 | 14.0 | 15.143 | 13500.112 | 66.922 | 134.213 | 323.678 | 0.928 | 1.003 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 2903.0 | 1673320.0 | 110.873 | 0.192 | 5161.0 | 0.342 | 0.3925 | 2.5 | tests performed | 7209049.0 | 4100069.0 | 3108980.0 | NaN | 8273.0 | 13872.0 | 47.77 | 27.17 | 20.60 | NaN | 919.0 | 7436.0 | 0.049 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151080 | ZWE | Africa | Zimbabwe | 2021-12-26 | 204351.0 | 605.0 | 1811.143 | 4891.0 | 6.0 | 15.571 | 13540.199 | 40.087 | 120.005 | 324.075 | 0.398 | 1.032 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 1843.0 | 1675163.0 | 110.995 | 0.122 | 4957.0 | 0.328 | 0.3654 | 2.7 | tests performed | 7214640.0 | 4103288.0 | 3111352.0 | NaN | 5591.0 | 12994.0 | 47.80 | 27.19 | 20.62 | NaN | 861.0 | 7018.0 | 0.047 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151081 | ZWE | Africa | Zimbabwe | 2021-12-27 | 205449.0 | 1098.0 | 1481.429 | 4908.0 | 17.0 | 14.714 | 13612.952 | 72.753 | 98.159 | 325.202 | 1.126 | 0.975 | 0.87 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7218438.0 | 4105296.0 | 3113142.0 | NaN | 3798.0 | 11918.0 | 47.83 | 27.20 | 20.63 | NaN | 790.0 | 6425.0 | 0.043 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151082 | ZWE | Africa | Zimbabwe | 2021-12-28 | 207548.0 | 2099.0 | 1397.143 | 4940.0 | 32.0 | 17.286 | 13752.031 | 139.079 | 92.574 | 327.322 | 2.120 | 1.145 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7222341.0 | 4107151.0 | 3115190.0 | NaN | 3903.0 | 10056.0 | 47.85 | 27.21 | 20.64 | NaN | 666.0 | 5407.0 | 0.036 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151083 | ZWE | Africa | Zimbabwe | 2021-12-29 | 207548.0 | 0.0 | 1163.429 | 4940.0 | 0.0 | 16.000 | 13752.031 | 0.000 | 77.088 | 327.322 | 0.000 | 1.060 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 7234293.0 | 4112517.0 | 3121776.0 | NaN | 11952.0 | 9526.0 | 47.93 | 27.25 | 20.68 | NaN | 631.0 | 4796.0 | 0.032 | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151084 | ZWE | Africa | Zimbabwe | 2021-12-30 | 211728.0 | 4180.0 | 1483.429 | 4997.0 | 57.0 | 20.286 | 14028.996 | 276.965 | 98.291 | 331.099 | 3.777 | 1.344 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 15092171.0 | 42.729 | 19.6 | 2.822 | 1.882 | 1899.775 | 21.4 | 307.846 | 1.82 | 1.6 | 30.7 | 36.791 | 1.7 | 61.49 | 0.571 | NaN | NaN | NaN | NaN |
151085 rows × 67 columns
Students should check out the relationship of option
max_rows
withmin_rows
at your own
df_imdb
star_rating | title | content_rating | genre | duration | actors_list | |
---|---|---|---|---|---|---|
0 | 9.3 | The Shawshank Redemption | R | Crime | 142 | [u'Tim Robbins', u'Morgan Freeman', u'Bob Gunt... |
1 | 9.2 | The Godfather | R | Crime | 175 | [u'Marlon Brando', u'Al Pacino', u'James Caan'] |
2 | 9.1 | The Godfather: Part II | R | Crime | 200 | [u'Al Pacino', u'Robert De Niro', u'Robert Duv... |
3 | 9.0 | The Dark Knight | PG-13 | Action | 152 | [u'Christian Bale', u'Heath Ledger', u'Aaron E... |
4 | 8.9 | Pulp Fiction | R | Crime | 154 | [u'John Travolta', u'Uma Thurman', u'Samuel L.... |
5 | 8.9 | 12 Angry Men | NOT RATED | Drama | 96 | [u'Henry Fonda', u'Lee J. Cobb', u'Martin Bals... |
6 | 8.9 | The Good, the Bad and the Ugly | NOT RATED | Western | 161 | [u'Clint Eastwood', u'Eli Wallach', u'Lee Van ... |
7 | 8.9 | The Lord of the Rings: The Return of the King | PG-13 | Adventure | 201 | [u'Elijah Wood', u'Viggo Mortensen', u'Ian McK... |
8 | 8.9 | Schindler's List | R | Biography | 195 | [u'Liam Neeson', u'Ralph Fiennes', u'Ben Kings... |
9 | 8.9 | Fight Club | R | Drama | 139 | [u'Brad Pitt', u'Edward Norton', u'Helena Bonh... |
10 | 8.8 | The Lord of the Rings: The Fellowship of the Ring | PG-13 | Adventure | 178 | [u'Elijah Wood', u'Ian McKellen', u'Orlando Bl... |
11 | 8.8 | Inception | PG-13 | Action | 148 | [u'Leonardo DiCaprio', u'Joseph Gordon-Levitt'... |
12 | 8.8 | Star Wars: Episode V - The Empire Strikes Back | PG | Action | 124 | [u'Mark Hamill', u'Harrison Ford', u'Carrie Fi... |
13 | 8.8 | Forrest Gump | PG-13 | Drama | 142 | [u'Tom Hanks', u'Robin Wright', u'Gary Sinise'] |
14 | 8.8 | The Lord of the Rings: The Two Towers | PG-13 | Adventure | 179 | [u'Elijah Wood', u'Ian McKellen', u'Viggo Mort... |
... | ... | ... | ... | ... | ... | ... |
964 | 7.4 | Lincoln | PG-13 | Biography | 150 | [u'Daniel Day-Lewis', u'Sally Field', u'David ... |
965 | 7.4 | Limitless | PG-13 | Mystery | 105 | [u'Bradley Cooper', u'Anna Friel', u'Abbie Cor... |
966 | 7.4 | The Simpsons Movie | PG-13 | Animation | 87 | [u'Dan Castellaneta', u'Julie Kavner', u'Nancy... |
967 | 7.4 | The Rock | R | Action | 136 | [u'Sean Connery', u'Nicolas Cage', u'Ed Harris'] |
968 | 7.4 | The English Patient | R | Drama | 162 | [u'Ralph Fiennes', u'Juliette Binoche', u'Will... |
969 | 7.4 | Law Abiding Citizen | R | Crime | 109 | [u'Gerard Butler', u'Jamie Foxx', u'Leslie Bibb'] |
970 | 7.4 | Wonder Boys | R | Drama | 107 | [u'Michael Douglas', u'Tobey Maguire', u'Franc... |
971 | 7.4 | Death at a Funeral | R | Comedy | 90 | [u'Matthew Macfadyen', u'Peter Dinklage', u'Ew... |
972 | 7.4 | Blue Valentine | NC-17 | Drama | 112 | [u'Ryan Gosling', u'Michelle Williams', u'John... |
973 | 7.4 | The Cider House Rules | PG-13 | Drama | 126 | [u'Tobey Maguire', u'Charlize Theron', u'Micha... |
974 | 7.4 | Tootsie | PG | Comedy | 116 | [u'Dustin Hoffman', u'Jessica Lange', u'Teri G... |
975 | 7.4 | Back to the Future Part III | PG | Adventure | 118 | [u'Michael J. Fox', u'Christopher Lloyd', u'Ma... |
976 | 7.4 | Master and Commander: The Far Side of the World | PG-13 | Action | 138 | [u'Russell Crowe', u'Paul Bettany', u'Billy Bo... |
977 | 7.4 | Poltergeist | PG | Horror | 114 | [u'JoBeth Williams', u"Heather O'Rourke", u'Cr... |
978 | 7.4 | Wall Street | R | Crime | 126 | [u'Charlie Sheen', u'Michael Douglas', u'Tamar... |
979 rows × 6 columns
pd.get_option('display.max_colwidth')
50
pd.set_option('display.max_colwidth', 200)
pd.get_option('display.max_colwidth')
200
df_imdb
star_rating | title | content_rating | genre | duration | actors_list | |
---|---|---|---|---|---|---|
0 | 9.3 | The Shawshank Redemption | R | Crime | 142 | [u'Tim Robbins', u'Morgan Freeman', u'Bob Gunton'] |
1 | 9.2 | The Godfather | R | Crime | 175 | [u'Marlon Brando', u'Al Pacino', u'James Caan'] |
2 | 9.1 | The Godfather: Part II | R | Crime | 200 | [u'Al Pacino', u'Robert De Niro', u'Robert Duvall'] |
3 | 9.0 | The Dark Knight | PG-13 | Action | 152 | [u'Christian Bale', u'Heath Ledger', u'Aaron Eckhart'] |
4 | 8.9 | Pulp Fiction | R | Crime | 154 | [u'John Travolta', u'Uma Thurman', u'Samuel L. Jackson'] |
5 | 8.9 | 12 Angry Men | NOT RATED | Drama | 96 | [u'Henry Fonda', u'Lee J. Cobb', u'Martin Balsam'] |
6 | 8.9 | The Good, the Bad and the Ugly | NOT RATED | Western | 161 | [u'Clint Eastwood', u'Eli Wallach', u'Lee Van Cleef'] |
7 | 8.9 | The Lord of the Rings: The Return of the King | PG-13 | Adventure | 201 | [u'Elijah Wood', u'Viggo Mortensen', u'Ian McKellen'] |
8 | 8.9 | Schindler's List | R | Biography | 195 | [u'Liam Neeson', u'Ralph Fiennes', u'Ben Kingsley'] |
9 | 8.9 | Fight Club | R | Drama | 139 | [u'Brad Pitt', u'Edward Norton', u'Helena Bonham Carter'] |
10 | 8.8 | The Lord of the Rings: The Fellowship of the Ring | PG-13 | Adventure | 178 | [u'Elijah Wood', u'Ian McKellen', u'Orlando Bloom'] |
11 | 8.8 | Inception | PG-13 | Action | 148 | [u'Leonardo DiCaprio', u'Joseph Gordon-Levitt', u'Ellen Page'] |
12 | 8.8 | Star Wars: Episode V - The Empire Strikes Back | PG | Action | 124 | [u'Mark Hamill', u'Harrison Ford', u'Carrie Fisher'] |
13 | 8.8 | Forrest Gump | PG-13 | Drama | 142 | [u'Tom Hanks', u'Robin Wright', u'Gary Sinise'] |
14 | 8.8 | The Lord of the Rings: The Two Towers | PG-13 | Adventure | 179 | [u'Elijah Wood', u'Ian McKellen', u'Viggo Mortensen'] |
... | ... | ... | ... | ... | ... | ... |
964 | 7.4 | Lincoln | PG-13 | Biography | 150 | [u'Daniel Day-Lewis', u'Sally Field', u'David Strathairn'] |
965 | 7.4 | Limitless | PG-13 | Mystery | 105 | [u'Bradley Cooper', u'Anna Friel', u'Abbie Cornish'] |
966 | 7.4 | The Simpsons Movie | PG-13 | Animation | 87 | [u'Dan Castellaneta', u'Julie Kavner', u'Nancy Cartwright'] |
967 | 7.4 | The Rock | R | Action | 136 | [u'Sean Connery', u'Nicolas Cage', u'Ed Harris'] |
968 | 7.4 | The English Patient | R | Drama | 162 | [u'Ralph Fiennes', u'Juliette Binoche', u'Willem Dafoe'] |
969 | 7.4 | Law Abiding Citizen | R | Crime | 109 | [u'Gerard Butler', u'Jamie Foxx', u'Leslie Bibb'] |
970 | 7.4 | Wonder Boys | R | Drama | 107 | [u'Michael Douglas', u'Tobey Maguire', u'Frances McDormand'] |
971 | 7.4 | Death at a Funeral | R | Comedy | 90 | [u'Matthew Macfadyen', u'Peter Dinklage', u'Ewen Bremner'] |
972 | 7.4 | Blue Valentine | NC-17 | Drama | 112 | [u'Ryan Gosling', u'Michelle Williams', u'John Doman'] |
973 | 7.4 | The Cider House Rules | PG-13 | Drama | 126 | [u'Tobey Maguire', u'Charlize Theron', u'Michael Caine'] |
974 | 7.4 | Tootsie | PG | Comedy | 116 | [u'Dustin Hoffman', u'Jessica Lange', u'Teri Garr'] |
975 | 7.4 | Back to the Future Part III | PG | Adventure | 118 | [u'Michael J. Fox', u'Christopher Lloyd', u'Mary Steenburgen'] |
976 | 7.4 | Master and Commander: The Far Side of the World | PG-13 | Action | 138 | [u'Russell Crowe', u'Paul Bettany', u'Billy Boyd'] |
977 | 7.4 | Poltergeist | PG | Horror | 114 | [u'JoBeth Williams', u"Heather O'Rourke", u'Craig T. Nelson'] |
978 | 7.4 | Wall Street | R | Crime | 126 | [u'Charlie Sheen', u'Michael Douglas', u'Tamara Tunie'] |
979 rows × 6 columns
pd.reset_option('all')
As the xlwt package is no longer maintained, the xlwt engine will be removed in a future version of pandas. This is the only engine in pandas that supports writing in the xls format. Install openpyxl and write to an xlsx file instead. : boolean use_inf_as_null had been deprecated and will be removed in a future version. Use `use_inf_as_na` instead.
/Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/site-packages/pandas/_config/config.py:630: FutureWarning: As the xlwt package is no longer maintained, the xlwt engine will be removed in a future version of pandas. This is the only engine in pandas that supports writing in the xls format. Install openpyxl and write to an xlsx file instead. warnings.warn(d.msg, FutureWarning) /Library/Frameworks/Python.framework/Versions/3.8/lib/python3.8/site-packages/pandas/_config/config.py:630: FutureWarning: : boolean use_inf_as_null had been deprecated and will be removed in a future version. Use `use_inf_as_na` instead. warnings.warn(d.msg, FutureWarning)
df_titanic.head(10).style.set_table_styles(
[{'selector': 'th',
'props': [('background', '#7CAE00'),
('color', 'white'),
('font-family', 'verdana')]},
{'selector': 'td',
'props': [('font-family', 'verdana')]},
{'selector': 'tr:nth-of-type(odd)',
'props': [('background', '#DCDCDC')]},
{'selector': 'tr:nth-of-type(even)',
'props': [('background', 'white')]},
{'selector': 'tr:hover',
'props': [('background', 'pink')]},
]
).hide_index()
pclass | survived | name | sex | age | sibsp | parch | ticket | fare | cabin | embarked | boat | body | home.dest |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1.000000 | 1.000000 | Allen, Miss. Elisabeth Walton | female | 29.000000 | 0.000000 | 0.000000 | 24160 | 211.337500 | B5 | S | 2 | nan | St Louis, MO |
1.000000 | 1.000000 | Allison, Master. Hudson Trevor | male | 0.916700 | 1.000000 | 2.000000 | 113781 | 151.550000 | C22 C26 | S | 11 | nan | Montreal, PQ / Chesterville, ON |
1.000000 | 0.000000 | Allison, Miss. Helen Loraine | female | 2.000000 | 1.000000 | 2.000000 | 113781 | 151.550000 | C22 C26 | S | nan | nan | Montreal, PQ / Chesterville, ON |
1.000000 | 0.000000 | Allison, Mr. Hudson Joshua Creighton | male | 30.000000 | 1.000000 | 2.000000 | 113781 | 151.550000 | C22 C26 | S | nan | 135.000000 | Montreal, PQ / Chesterville, ON |
1.000000 | 0.000000 | Allison, Mrs. Hudson J C (Bessie Waldo Daniels) | female | 25.000000 | 1.000000 | 2.000000 | 113781 | 151.550000 | C22 C26 | S | nan | nan | Montreal, PQ / Chesterville, ON |
1.000000 | 1.000000 | Anderson, Mr. Harry | male | 48.000000 | 0.000000 | 0.000000 | 19952 | 26.550000 | E12 | S | 3 | nan | New York, NY |
1.000000 | 1.000000 | Andrews, Miss. Kornelia Theodosia | female | 63.000000 | 1.000000 | 0.000000 | 13502 | 77.958300 | D7 | S | 10 | nan | Hudson, NY |
1.000000 | 0.000000 | Andrews, Mr. Thomas Jr | male | 39.000000 | 0.000000 | 0.000000 | 112050 | 0.000000 | A36 | S | nan | nan | Belfast, NI |
1.000000 | 1.000000 | Appleton, Mrs. Edward Dale (Charlotte Lamson) | female | 53.000000 | 2.000000 | 0.000000 | 11769 | 51.479200 | C101 | S | D | nan | Bayside, Queens, NY |
1.000000 | 0.000000 | Artagaveytia, Mr. Ramon | male | 71.000000 | 0.000000 | 0.000000 | PC 17609 | 49.504200 | nan | C | nan | 22.000000 | Montevideo, Uruguay |