Пакет Teradata Python предоставляет различные API с примерами наборов данных. Примеры наборов данных могут быть загружены с помощью вспомогательной функции под названием «load_example_data ()»
Эта функция принимает 2 аргумента:
имя_функции - этопредопределенное значение. Это префикс имени файла примера JSON, который будет использоваться для загрузки данных. Например, dataframe_example.json или adaboost_example.json
имя_таблицы - здесь указывается имя таблицы, создаваемой в базе данных.
Например,
from teradataml.dataframe.dataframe import DataFrame
from teradataml import load_example_data
from teradataml.context.context import *
con = create_context(host="myhost", username="myusername", password="mypassword")
load_example_data("dataframe","sales")
df = DataFrame("sales")
df
Feb Jan Mar Apr datetime
accounts
Yellow Inc 90.0 NaN NaN NaN 04/01/2017
Alpha Co 210.0 200.0 215.0 250.0 04/01/2017
Jones LLC 200.0 150.0 140.0 180.0 04/01/2017
Orange Inc 210.0 NaN NaN 250.0 04/01/2017
Blue Inc 90.0 50.0 95.0 101.0 04/01/2017
Red Inc 200.0 150.0 140.0 NaN 04/01/2017
load_example_data('adaboost','housing_train')
df1=DataFrame("housing_train")
df1
price lotsize bedrooms bathrms stories driveway recroom fullbase gashw airco garagepl prefarea homestyle
sn
183 58000.0 4340.0 3 1 1 yes no no no no 0 no Eclectic
366 99000.0 13200.0 2 1 1 yes no yes yes no 1 no Eclectic
202 53900.0 2520.0 5 2 1 no no yes no yes 1 no Eclectic
265 50000.0 3640.0 2 1 1 yes no no no no 1 no Classic
305 60000.0 5800.0 3 1 1 yes no no yes no 2 no Eclectic
101 57000.0 4500.0 3 2 2 no no yes no yes 0 no Eclectic
427 49500.0 5320.0 2 1 1 yes no no no no 1 yes Classic
284 45000.0 6750.0 2 1 1 yes no no no no 0 no Classic
244 27000.0 3649.0 2 1 1 yes no no no no 0 no Classic
509 87000.0 8372.0 3 1 3 yes no no no yes 2 no Eclectic
В дальнейшем эти наборы данных можно использовать для различных операций: Пример 1 для фрейма данных:
Создание фрейма данных из представления
get_context().execute("CREATE VIEW mysales AS SELECT * FROM sales")
df2 = DataFrame("mysales", index_label="Jan")
df2
accounts Feb Mar Apr datetime
Jan
NaN Yellow Inc 90.0 NaN NaN 04/01/2017
200.0 Alpha Co 210.0 215.0 250.0 04/01/2017
150.0 Jones LLC 200.0 140.0 180.0 04/01/2017
NaN Orange Inc 210.0 NaN 250.0 04/01/2017
50.0 Blue Inc 90.0 95.0 101.0 04/01/2017
150.0 Red Inc 200.0 140.0 NaN 04/01/2017
Назначение новых выражений столбцов в кадре данных.
assign(self, drop_columns = False, **kwargs) --- Возвращает новый кадр данных без изменения существующего кадра данных.
drop_columns = False - значение по умолчанию, в нем сохраняются столбцысформировать предыдущий фрейм данных. Если это 'true', то столбцы, которые не указаны в assign, удаляются из результирующего кадра данных. Рассчитать сумму продаж за февраль и январь
a=df.Feb
b=df.Jan
df.select(['Feb','Jan']).assign(sum=a+b)
Feb Jan sum
0 90.0 NaN NaN
1 210.0 200.0 410.0
2 200.0 150.0 350.0
3 210.0 NaN NaN
4 90.0 50.0 140.0
5 200.0 150.0 350.0
df.assign(drop_columns = True, sum=a+b)
sum
0 NaN
1 410.0
2 350.0
3 NaN
4 140.0
5 350.0