Pandas 2.2 中文官方教程和指南（十九·一）

于 2024-04-24 11:54:23 发布
阅读量1.2k 收藏 22
点赞数 29
分类专栏： pandas 文章标签： pandas python 开发语言
License CC BY-NC-SA 4.0 / 自豪地采用谷歌翻译
本文链接：https://blog.csdn.net/wizardforcel/article/details/138154924
版权

原文：pandas.pydata.org/docs/

表格可视化

原文：pandas.pydata.org/docs/user_guide/style.html

本节演示使用 Styler 类可视化表格数据。有关使用图表进行可视化的信息，请参阅图表可视化。本文档是以 Jupyter Notebook 编写的，可在此处查看或下载这里。

Styler 对象和自定义显示

样式和输出显示定制应在对数据框中的数据进行处理之后执行。如果对数据框进行进一步更改，Styler不会动态更新。DataFrame.style属性是一个返回 Styler 对象的属性。它在其上定义了一个_repr_html_方法，因此在 Jupyter Notebook 中会自动呈现。

Styler，可用于大数据，但主要设计用于小数据，目前具有输出到以下格式的功能：

  • HTML

  • LaTeX

  • 字符串（以及 CSV 扩展）

  • Excel

  • （JSON 目前不可用）

这些中的前三个具有设计用于格式化和自定义输出的显示定制方法。这些方法包括：

  • 格式化数值、索引和列标题，使用.format()和.format_index()，

  • 重命名索引或列标题标签，使用.relabel_index()

  • 隐藏某些列、索引和/或列标题，或索引名称，使用.hide()

  • 连接相似的数据框，使用.concat()

格式化显示

格式化数值

Styler 将显示值与实际值区分开，无论是数据值还是索引或列标题。为了控制显示值，文本在每个单元格中以字符串形式打印，我们可以使用.format()和.format_index()方法根据格式规范字符串或接受单个值并返回字符串的可调用对象来操作这一点。可以为整个表格、索引或单独的列或 MultiIndex 级别定义此操作。我们还可以覆盖索引名称。

此外，格式化函数具有 精度 参数，专门用于帮助格式化浮点数，以及 小数 和 千位分隔符 以支持其他语言环境，一个 na_rep 参数用于显示缺失数据，以及一个 escape 和 hyperlinks 参数用于帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，如 styler.format.precision 选项，可使用 with pd.option_context('format.precision', 2): 进行控制。

[2]: 

import pandas as pd
import numpy as np
import matplotlib as mpl

df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0) 

[2]:
字符串整数浮点数
第一行亚当11,123
第二行迈克31,000.230

使用 Styler 来操纵显示是一个有用的功能，因为保持索引和数据值用于其他目的可以提供更大的控制。您不必覆盖 DataFrame 来按照自己的喜好显示它。以下是一个更全面的示例，展示了在仍依赖底层数据进行索引和计算的情况下使用格式化函数。

[3]: 

weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])

def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"

def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler

weather_df 

[3]:
东京北京
2021-01-012.5525171.976602
2021-01-021.6657533.757927
2021-01-034.6798822.242228
2021-01-041.2685920.915911
2021-01-050.2583864.647607
2021-01-061.2792954.642458
2021-01-070.5604873.670073
2021-01-080.9804231.026641
2021-01-091.4716641.384219
2021-01-104.6177664.251794
[4]: 

weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) 

[4]:

天气状况

东京北京
星期一干燥干燥
星期二干燥大雨
星期三干燥大雨
星期四干燥大雨
星期五干燥干燥

隐藏数据

索引和列标题可以完全隐藏，也可以选择要排除的行或列。这两个选项使用相同的方法执行。

可以通过调用 .hide() 而不带任何参数来隐藏索引以便渲染，如果您的索引是基于整数的，这可能很有用。同样，通过调用 .hide(axis=”columns”) 而不带任何其他参数可以隐藏列标题。

可以通过调用相同的 .hide() 方法并传入行/列标签、类似列表或行/列标签的切片来隐藏特定行或列以便渲染。

隐藏不会改变 CSS 类的整数排列，例如，隐藏 DataFrame 的前两列意味着列类索引仍将从 col2 开始，因为 col0 和 col1 简单地被忽略。

[5]: 

df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1) 

[5]:
13
10.561440-0.858225
30.1762550.876609

要将功能反转为 显示 功能，最佳实践是组成一个隐藏项目的列表。

[6]: 

show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1) 

[6]:
024
0-0.056334-1.1889820.482870
2-0.718731-0.499113-1.350023
4-0.7201691.225336-0.512159

连接 DataFrame 输出

可以将两个或更多个样式化器连接在一起，前提是它们共享相同的列。这对于显示 DataFrame 的摘要统计信息非常有用，并经常与 DataFrame.agg 结合使用。

由于连接的对象是样式化器，它们可以独立进行样式设置，如下所示，它们的连接保留了这些样式。

[7]: 

summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler) 

[7]:
01234
0-0.10.8-1.20.30.5
10.50.60.1-0.90.9
2-0.7-0.8-0.50.2-1.4
32.20.20.90.90.1
4-0.7-1.01.2-0.5-0.5
总和1.179-0.2130.506-0.082-0.430
平均值0.236-0.0430.101-0.016-0.086

样式化器对象和 HTML

样式化器最初是为了支持各种 HTML 格式选项而构建的。它的 HTML 输出创建了一个 HTML <table>，并利用 CSS 样式语言来操纵许多参数，包括颜色、字体、边框、背景等。查看这里获取有关样式化 HTML 表格的更多信息。这使得在开箱即用的情况下具有很大的灵活性，甚至使 Web 开发人员能够将 DataFrame 集成到他们现有的用户界面设计中。

下面我们展示默认输出，看起来非常类似于标准 DataFrame HTML 表示。但是这里的 HTML 已经为每个单元格附加了一些 CSS 类，即使我们还没有创建任何样式。我们可以通过调用.to_html()方法来查看这些，该方法返回原始 HTML 字符串，这对于进一步处理或添加到文件中非常有用 - 请继续阅读有关 CSS 和 HTML 的更多信息。本节还将提供如何将此默认输出转换为更具沟通性的 DataFrame 输出的演示。例如我们如何构建s：

[8]: 

df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]],
                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'),
                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:']))
df.style 

[8]:

| 模型: | 决策树 | 回归 | 随机 |
| — | — | — |

预测:肿瘤非肿瘤肿瘤非肿瘤肿瘤非肿瘤
实际标签:
———————
肿瘤（阳性）38.0000002.00000018.00000022.00000021nan
非肿瘤（阴性）19.000000439.0000006.000000452.000000226232.000000
[10]: 

s 

[10]:

多个癌症预测模型的混淆矩阵。

模型:决策树回归
预测:肿瘤非肿瘤
———
实际标签:
———
肿瘤（阳性）382
非肿瘤（阴性）19439

我们采取的第一步是从 DataFrame 创建 Styler 对象，然后通过使用.hide()隐藏不需要的列来选择感兴趣的范围。

[11]: 

s = df.style.format('{:.0f}').hide([('Random', 'Tumour'), ('Random', 'Non-Tumour')], axis="columns")
s 

[11]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

添加样式的方法

有3 种主要方法可以向 Styler 添加自定义 CSS 样式：

  • 使用.set_table_styles()来控制具有指定内部 CSS 的表格的更广泛区域。虽然表格样式允许灵活地添加控制表格所有各个部分的 CSS 选择器和属性，但对于单个单元格的规范来说，它们是笨重的。另外，请注意表格样式无法导出到 Excel。

  • 使用.set_td_classes()直接将外部 CSS 类链接到数据单元格，或将由.set_table_styles()创建的内部 CSS 类链接。请参见这里。这些不能用于列标题行或索引，也无法导出到 Excel。

  • 使用.apply()和.map()函数向特定数据单元格添加直接内部 CSS。请参见这里。从 v1.4.0 开始，还有直接作用于列标题行或索引的方法；.apply_index()和.map_index()。请注意，只有这些方法添加的样式才会导出到 Excel。这些方法的工作方式类似于 DataFrame.apply()和 DataFrame.map()。

表格样式

表格样式足够灵活，可以控制表格的所有各个部分，包括列标题和索引。然而，对于单个数据单元格或任何类型的条件格式化来说，它们可能会很笨重，因此我们建议表格样式用于广泛的样式设置，例如一次整行或整列。

表格样式还用于控制整个表格一次应用的功能，例如创建通用的悬停功能。:hover 伪选择器以及其他伪选择器只能以这种方式使用。

为了复制 CSS 选择器和属性（属性值对）的正常格式，���如

tr:hover {
  background-color: #ffff99;
}

传递样式给.set_table_styles()的必要格式是一个字典列表，每个字典包含一个 CSS 选择器标签和 CSS 属性。属性可以是一个 2 元组列表，也可以是一个常规的 CSS 字符串，例如：

[13]: 

cell_hover = {  # for row hover use <tr> instead of <td>
    'selector': 'td:hover',
    'props': [('background-color', '#ffffb3')]
}
index_names = {
    'selector': '.index_name',
    'props': 'font-style: italic; color: darkgrey; font-weight:normal;'
}
headers = {
    'selector': 'th:not(.index_name)',
    'props': 'background-color: #000066; color: white;'
}
s.set_table_styles([cell_hover, index_names, headers]) 

[13]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

接下来，我们只需添加几个针对表格特定部分的样式化元素。在这里要小心，因为我们正在链接方法，我们需要明确指示方法不要覆盖现有样式。

[15]: 

s.set_table_styles([
    {'selector': 'th.col_heading', 'props': 'text-align: center;'},
    {'selector': 'th.col_heading.level0', 'props': 'font-size: 1.5em;'},
    {'selector': 'td', 'props': 'text-align: center; font-weight: bold;'},
], overwrite=False) 

[15]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

作为一个便利方法（自版本 1.2.0 起），我们还可以将一个字典传递给.set_table_styles()，其中包含行或列键。在幕后，Styler 只是索引键并根据需要向给定的 CSS 选择器添加相关的.col<m>或.row<n>类。

[17]: 

s.set_table_styles({
    ('Regression', 'Tumour'): [{'selector': 'th', 'props': 'border-left: 1px solid white'},
                               {'selector': 'td', 'props': 'border-left: 1px solid #000066'}]
}, overwrite=False, axis=0) 

[17]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

设置类和链接到外部 CSS

如果您设计了一个网站，那么很可能您已经有一个控制其中表格和单元格对象样式的外部 CSS 文件。您可能希望使用这些原生文件，而不是在 Python 中重复所�� CSS（和重复任何维护工作）。

表属性

使用.set_table_attributes()非常容易向主<table>添加一个class。该方法还可以附加内联样式 - 在 CSS 层次结构中了解更多。

[19]: 

out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109]) 

<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

数据单元格 CSS 类

版本 1.2.0 中的新功能

.set_td_classes()方法接受一个与底层 Styler 的 DataFrame 匹配的 DataFrame。该 DataFrame 将包含作为 css 类的字符串，添加到单个数据单元格中：<table>的<td>元素。我们将在工具提示部分添加边框。

[20]: 

s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color) 

[20]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

样式函数

处理数据

我们使用以下方法传递您的样式函数。这两种方法都接受一个函数（和一些其他关键字参数）并以某种方式应用于 DataFrame，呈现 CSS 样式。

  • .map()（逐元素）：接受一个接受单个值并返回带有 CSS 属性-值对的字符串的函数。

  • .apply()（按列/行/表格方式）：接受一个接受 Series 或 DataFrame 并返回具有相同形状的 Series、DataFrame 或 numpy 数组的函数，其中每个元素都是带有 CSS 属性-值对的字符串。此方法根据axis关键字参数一次传递您的 DataFrame 的每一列或行或整个表格。对于按列使用axis=0，按行使用axis=1，对于一次使用整个表格使用axis=None。

这种方法非常适用于对数据单元格应用多个复杂逻辑。我们创建一个新的 DataFrame 来演示这一点。

[22]: 

np.random.seed(0)
df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D'])
df2.style 

[22]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

例如，我们可以构建一个函数，如果文本为负数则着色，并将其与部分淡化微不足道值的单元格的函数链接起来。由于这是逐个元素查看，我们使用map。

[23]: 

def style_negative(v, props=''):
    return props if v < 0 else None
s2 = df2.style.map(style_negative, props='color:red;')\
              .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)
s2 

[23]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

我们还可以构建一个函数，一次突出显示行、列和整个 DataFrame 中的最大值。在这种情况下，我们使用apply。下面我们突出显示列中的最大值。

[25]: 

def highlight_max(s, props=''):
    return np.where(s == np.nanmax(s.values), props, '')
s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0) 

[25]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

我们可以在不同的轴上使用相同的函数，这里将 DataFrame 的最大值标记为紫色，行最大值标记为粉色。

[27]: 

s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
  .apply(highlight_max, props='color:white;background-color:purple', axis=None) 

[27]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

最后一个示例显示了某些样式被其他样式覆盖的情况。通常，最近应用的样式是活动的，但您可以在 CSS 层次结构部分中了解更多信息。您还可以将这些样式应用于 DataFrame 的更细粒度部分 - 请阅读子集切片部分了解更多信息。

可以仅使用类来复制某些功能，但可能会更加繁琐。请参阅优化的第 3) 项

调试提示: 如果你在编写样式函数时遇到困难，尝试将其直接传递给DataFrame.apply。在内部，Styler.apply使用DataFrame.apply，因此结果应该是相同的，并且使用DataFrame.apply，您将能够检查每个单元格中预期函数的 CSS 字符串输出。

操作索引和列标题

通过使用以下方式实现标题的类似应用：

  • .map_index()（逐元素）：接受一个接受单个值并返回具有 CSS 属性-值对的字符串的函数。

  • .apply_index()（逐级）：接受一个接受 Series 并返回具有相同形状的 Series 或 numpy 数组的函数，其中每个元素都是具有 CSS 属性-值对的字符串。此方法逐个传递您的索引的每个级别。要为索引设置样式，请使用axis=0，要为列标题设置样式，请使用axis=1。

您可以选择MultiIndex的level，但目前这些方法没有类似的subset应用程序可用。

[29]: 

s2.map_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0)
s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1) 

[29]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

工具提示和标题

可以使用.set_caption()方法添加表格标题。您可以使用表格样式来控制与标题相关的 CSS。

[30]: 

s.set_caption("Confusion matrix for multiple cancer prediction models.")\
 .set_table_styles([{
     'selector': 'caption',
     'props': 'caption-side: bottom; font-size:1.25em;'
 }], overwrite=False) 

[30]:

多种癌症预测模型的混淆矩阵。

模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

添加工具提示（自版本 1.3.0 起）可以使用.set_tooltips()方法来完成，方式与您可以通过提供基于字符串的 DataFrame 添加 CSS 类到数据单元格的方式相同。您不必为工具提示指定css_class名称或任何 cssprops，因为有标准默认值，但如果您想要更多的视觉控制，可以选择这样做。

[32]: 

tt = pd.DataFrame([['This model has a very strong true positive rate',
                    "This model's total number of false negatives is too high"]],
                  index=['Tumour (Positive)'], columns=df.columns[[0,3]])
s.set_tooltips(tt, props='visibility: hidden; position: absolute; z-index: 1; border: 1px solid #000066;'
                         'background-color: white; color: #000066; font-size: 0.8em;'
                         'transform: translate(0px, -24px); padding: 0.6em; border-radius: 0.5em;') 

[32]:

多种癌症预测模型的混淆矩阵。

模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

我们表格中唯一剩下的事情是添加突出显示的边框，以吸引观众注意工具提示。我们将像以前一样使用表格样式创建内部 CSS 类。设置类总是覆盖，因此我们需要确保添加先前的类。

[34]: 

s.set_table_styles([  # create internal CSS classes
    {'selector': '.border-red', 'props': 'border: 2px dashed red;'},
    {'selector': '.border-green', 'props': 'border: 2px dashed green;'},
], overwrite=False)
cell_border = pd.DataFrame([['border-green ', ' ', ' ', 'border-red '],
                           [' ', ' ', ' ', ' ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color + cell_border) 

[34]:

多种癌症预测模型的混淆矩阵。

模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

使用切片进行更精细的控制

到目前为止，我们展示的Styler.apply和Styler.map函数示例尚未展示subset参数的使用。这是一个很有用的参数，它允许您灵活地应用样式到特定的行或列，而无需将该逻辑编码到您的style函数中。

传递给subset的值类似于对 DataFrame 进行切片；

  • 将标量视为列标签

  • 将列表（或 Series 或 NumPy 数组）视为多列标签

  • 元组被视为(行索引器，列索引器)

考虑使用pd.IndexSlice构建最后一个元组。我们将创建一个 MultiIndexed DataFrame 来展示功能。

[36]: 

df3 = pd.DataFrame(np.random.randn(4,4),
                   pd.MultiIndex.from_product([['A', 'B'], ['r1', 'r2']]),
                   columns=['c1','c2','c3','c4'])
df3 

[36]:
c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

我们将使用子集来用红色文字突出显示第三和第四列中的最大值。我们将用黄色突出显示切片区域。

[37]: 

slice_ = ['c3', 'c4']
df3.style.apply(highlight_max, props='color:red;', axis=0, subset=slice_)\
         .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) 

[37]:
c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

如果建议结合IndexSlice使用，则可以更灵活地跨越两个维度进行索引。

[38]: 

idx = pd.IndexSlice
slice_ = idx[idx[:,'r1'], idx['c2':'c4']]
df3.style.apply(highlight_max, props='color:red;', axis=0, subset=slice_)\
         .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) 

[38]:
c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

这也提供了在与axis=1一起使用时对行进行子选择的灵活性。

[39]: 

slice_ = idx[idx[:,'r2'], :]
df3.style.apply(highlight_max, props='color:red;', axis=1, subset=slice_)\
         .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) 

[39]:
c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

还有提供条件过滤的空间。

假设我们想要突出显示仅在第 2 和第 4 列中的最大值，前提是第 1 和第 3 列的总和小于-2.0 (基本上排除行 (:,'r2'))。

[40]: 

slice_ = idx[idx[(df3['c1'] + df3['c3']) < -2.0], ['c2', 'c4']]
df3.style.apply(highlight_max, props='color:red;', axis=1, subset=slice_)\
         .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) 

[40]:
c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

目前仅支持基于标签的切片，不支持位置的切片，也不支持可调用对象。

如果您的样式函数使用了subset或axis关键字参数，请考虑将函数包装在functools.partial中，部分化该关键字。

my_func2 = functools.partial(my_func, subset=42)

优化

通常，对于较小的表格和大多数情况，渲染的 HTML 不需要优化，我们并不真正推荐这样做。有两种情况值得考虑：

  • 如果您正在渲染和设计一个非常大的 HTML 表格，某些浏览器可能会出现性能问题。

  • 如果您正在使用Styler动态创建在线用户界面的一部分，并希望提高网络性能。

在这里，我们建议采取以下步骤来实施：

1. 移除 UUID 和 cell_ids

忽略 uuid 并将 cell_ids 设置为 False。这将防止不必要的 HTML。

这是次优的：

[41]: 

df4 = pd.DataFrame([[1,2],[3,4]])
s4 = df4.style

这是更好的：

[42]: 

from pandas.io.formats.style import Styler
s4 = Styler(df4, uuid_len=0, cell_ids=False)

2. 使用表格样式

使用表格样式是可能的（例如，一次为所有单元格或行或列），因为 CSS 几乎总是比其他格式更有效。

这是次优的：

[43]: 

props = 'font-family: "Times New Roman", Times, serif; color: #e83e8c; font-size:1.3em;'
df4.style.map(lambda x: props, subset=[1]) 

[43]:
01
012
134

这是更好的：

[44]: 

df4.style.set_table_styles([{'selector': 'td.col1', 'props': props}]) 

[44]:
01
012
134

3. 设置类而不是使用 Styler 函数

对于大型数据框，其中许多单元格应用相同的样式，将样式声明为类并将这些类应用于数据单元格可能更有效，而不是直接应用样式于单元格。然而，当您不关心优化时，使用 Styler 函数 api 可能仍然更容易。

这是次优的：

[45]: 

df2.style.apply(highlight_max, props='color:white;background-color:darkblue;', axis=0)\
         .apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
         .apply(highlight_max, props='color:white;background-color:purple', axis=None) 

[45]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

这是更好的：

[46]: 

build = lambda x: pd.DataFrame(x, index=df2.index, columns=df2.columns)
cls1 = build(df2.apply(highlight_max, props='cls-1 ', axis=0))
cls2 = build(df2.apply(highlight_max, props='cls-2 ', axis=1, result_type='expand').values)
cls3 = build(highlight_max(df2, props='cls-3 '))
df2.style.set_table_styles([
    {'selector': '.cls-1', 'props': 'color:white;background-color:darkblue;'},
    {'selector': '.cls-2', 'props': 'color:white;background-color:pink;'},
    {'selector': '.cls-3', 'props': 'color:white;background-color:purple;'}
]).set_td_classes(cls1 + cls2 + cls3) 

[46]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

4. 不要使用工具提示

工具提示需要 cell_ids 来工作，并为 每个 数据单元格生成额外的 HTML 元素。

5. 如果每个字节都很重要，请使用字符串替换

您可以删除不必要的 HTML，或通过替换默认的 CSS 字典来缩短默认类名。您可以在下面阅读更多关于 CSS 的信息。

[47]: 

my_css = {
    "row_heading": "",
    "col_heading": "",
    "index_name": "",
    "col": "c",
    "row": "r",
    "col_trim": "",
    "row_trim": "",
    "level": "l",
    "data": "",
    "blank": "",
}
html = Styler(df4, uuid_len=0, cell_ids=False)
html.set_table_styles([{'selector': 'td', 'props': props},
                       {'selector': '.c1', 'props': 'color:green;'},
                       {'selector': '.l0', 'props': 'color:blue;'}],
                      css_class_names=my_css)
print(html.to_html()) 

<style type="text/css">
#T_ td {
  font-family: "Times New Roman", Times, serif;
  color: #e83e8c;
  font-size: 1.3em;
}
#T_ .c1 {
  color: green;
}
#T_ .l0 {
  color: blue;
}
</style>
<table id="T_">
  <thead>
    <tr>
      <th class=" l0" >&nbsp;</th>
      <th class=" l0 c0" >0</th>
      <th class=" l0 c1" >1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th class=" l0 r0" >0</th>
      <td class=" r0 c0" >1</td>
      <td class=" r0 c1" >2</td>
    </tr>
    <tr>
      <th class=" l0 r1" >1</th>
      <td class=" r1 c0" >3</td>
      <td class=" r1 c1" >4</td>
    </tr>
  </tbody>
</table>


[48]: 

html 

[48]:
01
012
134

内置样式

一些样式函数是如此常见，以至于我们已经“内置”到 Styler 中，因此您不必自己编写并应用它们。当前这些函数的列表如下：

  • .highlight_null：用于识别缺失数据。

  • .highlight_min 和 .highlight_max：用于识别数据中的极值。

  • .highlight_between 和 .highlight_quantile: 用于识别数据中的类别。

  • .background_gradient: 基于数值范围高亮单元格的灵活方法。

  • .text_gradient: 基于数值范围高亮文本的类似方法。

  • .bar: 在单元格背景中显示迷你图表。

每个函数的个别文档通常会提供更多关于它们参数的示例。

高亮空值

[49]: 

df2.iloc[0,2] = np.nan
df2.iloc[4,3] = np.nan
df2.loc[:4].style.highlight_null(color='yellow') 

[49]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan

高亮最小值或最大值

[50]: 

df2.loc[:4].style.highlight_max(axis=1, props='color:white; font-weight:bold; background-color:darkblue;') 

[50]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan

高亮区间

该方法接受浮点数范围，或者索引匹配的 NumPy 数组或 Series。

[51]: 

left = pd.Series([1.0, 0.0, 1.0], index=["A", "B", "D"])
df2.loc[:4].style.highlight_between(left=left, right=1.5, axis=1, props='color:white; background-color:purple;') 

[51]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan

高亮分位数

用于检测最高或最低百分位值

[52]: 

df2.loc[:4].style.highlight_quantile(q_left=0.85, axis=None, color='yellow') 

[52]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan

背景渐变和文本渐变

你可以使用 background_gradient 和 text_gradient 方法创建“热图”。这需要 matplotlib，我们将使用 Seaborn 来获得漂亮的颜色映射。

[53]: 

import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)

df2.style.background_gradient(cmap=cm) 

[53]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303
[54]: 

df2.style.text_gradient(cmap=cm) 

[54]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

.背景渐变 和 .文本渐变 有许多关键字参数可用于自定义渐变和颜色。请参阅文档。

设置属性

当样式实际上不依赖于值时，请使用 Styler.set_properties。这只是一个简单的 .map 的包装器，其中函数为所有单元格返回相同的属性。

[55]: 

df2.loc[:4].style.set_properties(**{'background-color': 'black',
                           'color': 'lawngreen',
                           'border-color': 'white'}) 

[55]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan

条形图

您可以在 DataFrame 中包含“条形图”。

[56]: 

df2.style.bar(subset=['A', 'B'], color='#d65f5f') 

[56]:
ABCD
01.7640520.400157nan2.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068nan
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

附加关键字参数可更好地控制居中和定位，您可以传递一个[color_negative, color_positive]列表来突出显示较低和较高的值，或者使用 matplotlib 颜色映射。

为了展示一个示例，这里展示了如何使用新的 align 选项来更改上述内容，结���设置 vmin 和 vmax 限制，图形的 width，以及单元格的底层 css props，留出空间来显示文本和条形图。我们还使用 text_gradient 来使用 matplotlib 颜色映射将文本着色为与条形图相同的颜色（尽管在这种情况下，可能最好不使用此额外效果）。

[57]: 

df2.style.format('{:.3f}', na_rep="")\
         .bar(align=0, vmin=-2.5, vmax=2.5, cmap="bwr", height=50,
              width=60, props="width: 120px; border-right: 1px solid black;")\
         .text_gradient(cmap="bwr", vmin=-2.5, vmax=2.5) 

[57]:
ABCD
01.7640.4002.241
11.868-0.9770.950-0.151
2-0.1030.4110.1441.454
30.7610.1220.4440.334
41.494-0.2050.313
5-2.5530.6540.864-0.742
62.270-1.4540.046-0.187
71.5331.4690.1550.378
8-0.888-1.981-0.3480.156
91.2301.202-0.387-0.302

以下示例旨在突出新对齐选项的行为：

[59]: 

HTML(head) 

[59]:
对齐全负数正负数混合全正数大正数
left

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

right

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

zero

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

mid

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

平均

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

99

| |

| — |

| -100 |

| -60 |

| -30 |

| -20 |

|

| |

| — |

| -10 |

| -5 |

| 0 |

| 90 |

|

| |

| — |

| 10 |

| 20 |

| 50 |

| 100 |

|

| |

| — |

| 100 |

| 103 |

| 101 |

| 102 |

|

分享样式

假设你为 DataFrame 构建了一个漂亮的样式，现在你想将相同的样式应用于第二个 DataFrame。使用 df1.style.export 导出样式，并使用 df1.style.set 在第二个 DataFrame 上导入它。

[60]: 

style1 = df2.style\
            .map(style_negative, props='color:red;')\
            .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)\
            .set_table_styles([{"selector": "th", "props": "color: blue;"}])\
            .hide(axis="index")
style1 

[60]:
ABCD
1.7640520.400157nan2.240893
1.867558-0.9772780.950088-0.151357
-0.1032190.4105990.1440441.454274
0.7610380.1216750.4438630.333674
1.494079-0.2051580.313068nan
-2.5529900.6536190.864436-0.742165
2.269755-1.4543660.045759-0.187184
1.5327791.4693590.1549470.378163
-0.887786-1.980796-0.3479120.156349
1.2302911.202380-0.387327-0.302303
[61]: 

style2 = df3.style
style2.use(style1.export())
style2 

[61]:
c1c2c3c4
-1.048553-1.420018-1.7062701.950775
-0.509652-0.438074-1.2527950.777490
-1.613898-0.212740-0.8954670.386902
-0.510805-1.180632-0.0281820.428332

注意，即使它们是数据感知的，你也能够共享样式。这些样式在被新的 DataFrame 使用后被重新评估。

限制

  • 仅 DataFrame（使用 Series.to_frame().style）

  • 索引和列不需要唯一，但是某些样式函数只能与唯一索引一起使用。

  • 没有大型的 repr，构建性能不是很好；尽管我们有一些 HTML 优化

  • 你只能应用样式，不能插入新的 HTML 实体，除非通过子类化。

其他有趣且有用的东西

这里有一些有趣的例子。

小部件

Styler 与小部件的交互效果相当不错。如果你在网上查看而不是自己运行笔记本，你将错过交互式调整颜色板的功能。

[62]: 

from ipywidgets import widgets
@widgets.interact
def f(h_neg=(0, 359, 1), h_pos=(0, 359), s=(0., 99.9), l=(0., 99.9)):
    return df2.style.background_gradient(
        cmap=sns.palettes.diverging_palette(h_neg=h_neg, h_pos=h_pos, s=s, l=l,
                                            as_cmap=True)
    )

放大

[63]: 

def magnify():
    return [dict(selector="th",
                 props=[("font-size", "4pt")]),
            dict(selector="td",
                 props=[('padding', "0em 0em")]),
            dict(selector="th:hover",
                 props=[("font-size", "12pt")]),
            dict(selector="tr:hover td:hover",
                 props=[('max-width', '200px'),
                        ('font-size', '12pt')])
] 

[64]: 

np.random.seed(25)
cmap = cmap=sns.diverging_palette(5, 250, as_cmap=True)
bigdf = pd.DataFrame(np.random.randn(20, 25)).cumsum()

bigdf.style.background_gradient(cmap, axis=1)\
    .set_properties(**{'max-width': '80px', 'font-size': '1pt'})\
    .set_caption("Hover to magnify")\
    .format(precision=2)\
    .set_table_styles(magnify()) 

[64]:

鼠标悬停放大

0123456789101112131415161718192021222324
00.231.03-0.84-0.59-0.96-0.22-0.621.84-2.050.87-0.92-0.232.15-1.330.08-1.251.20-1.051.06-0.422.29-2.592.820.68-1.58
1-1.751.56-1.13-1.101.030.00-2.463.45-1.661.27-0.52-0.021.52-1.09-1.86-1.13-0.68-0.810.35-0.061.79-2.822.260.780.44
2-0.653.22-1.760.522.20-0.37-3.003.73-1.872.460.21-0.24-0.10-0.78-3.02-0.82-0.21-0.230.86-0.681.45-4.893.031.910.61
3-1.623.71-2.310.434.17-0.43-3.864.16-2.151.080.120.60-0.890.27-3.67-2.71-0.31-1.591.35-1.830.91-5.802.812.110.28
4-3.354.48-1.86-1.705.19-1.02-3.814.72-0.721.08-0.180.83-0.22-1.08-4.27-2.88-0.97-1.781.53-1.802.21-6.343.342.492.09
5-0.844.23-1.65-2.005.34-0.99-4.133.94-1.06-0.941.240.09-1.78-0.11-4.45-0.85-2.06-1.350.80-1.631.54-6.512.802.143.77
6-0.745.35-2.11-1.134.20-1.85-3.203.76-3.22-1.230.340.57-1.820.54-4.43-1.83-4.03-2.62-0.20-4.681.93-8.463.342.525.81
7-0.444.69-2.30-0.215.93-2.63-1.835.46-4.50-3.16-1.730.180.110.04-5.99-0.45-6.20-3.890.71-3.950.67-7.262.973.396.66
80.925.80-3.33-0.655.99-3.19-1.835.63-3.53-1.30-1.610.82-2.45-0.40-6.06-0.52-6.60-3.48-0.04-4.600.51-5.853.232.405.08
90.385.54-4.49-0.807.05-2.64-0.445.35-1.96-0.33-0.800.26-3.37-0.82-6.05-2.61-8.45-4.450.41-4.711.89-6.932.143.005.16
102.065.84-3.90-0.987.78-2.49-0.595.59-2.22-0.71-0.461.80-2.790.48-5.97-3.44-7.77-5.49-0.70-4.61-0.52-7.721.545.025.81
111.864.47-2.17-1.385.90-0.490.025.78-1.04-0.600.491.96-1.471.88-5.92-4.55-8.15-3.42-2.24-4.33-1.17-7.901.365.315.83
123.194.22-3.06-2.275.93-2.640.336.72-2.84-0.201.892.63-1.530.75-5.27-4.53-7.57-2.85-2.17-4.78-1.13-8.992.116.425.60
132.314.45-3.87-2.056.76-3.25-2.177.99-2.56-0.800.712.33-0.16-0.46-5.10-3.79-7.58-4.000.33-3.67-1.05-8.712.475.876.71
143.784.33-3.88-1.586.22-3.23-1.465.57-2.93-0.33-0.971.723.610.29-4.21-4.10-6.68-4.50-2.19-2.43-1.64-9.363.366.117.53
155.645.31-3.98-2.265.91-3.30-1.035.68-3.06-0.33-1.162.194.201.01-3.22-4.31-5.74-4.44-2.30-1.36-1.20-11.272.596.695.91
164.084.34-2.44-3.306.04-2.52-0.475.28-4.841.580.230.105.791.80-3.13-3.85-5.53-2.97-2.13-1.15-0.56-13.132.076.164.94
175.644.57-3.53-3.766.58-2.58-0.756.58-4.783.63-0.290.565.762.05-2.27-2.31-4.95-3.16-3.06-2.430.84-12.573.567.364.70
185.995.82-2.85-4.157.12-3.32-1.217.93-4.851.44-0.630.357.470.87-1.52-2.09-4.23-2.55-2.46-2.891.90-9.743.437.074.39
194.036.23-4.10-4.117.19-4.10-1.526.53-5.21-0.240.011.166.43-1.97-2.64-1.66-5.20-3.25-2.87-1.651.64-10.662.837.483.94

粘性标题

如果您在笔记本中显示一个大的矩阵或 DataFrame，但您想要始终看到列和行标题，您可以使用.set_sticky 方法来操作表格样式 CSS。

[65]: 

bigdf = pd.DataFrame(np.random.randn(16, 100))
bigdf.style.set_sticky(axis="index") 

[65]:

| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 |
| — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — |
| 0 | -0.773866 | -0.240521 | -0.217165 | 1.173609 | 0.686390 | 0.008358 | 0.696232 | 0.173166 | 0.620498 | 0.504067 | 0.428066 | -0.051824 | 0.719915 | 0.057165 | 0.562808 | -0.369536 | 0.483399 | 0.620765 | -0.354342 | -1.469471 | -1.937266 | 0.038031 | -1.518162 | -0.417599 | 0.386717 | 0.716193 | 0.489961 | 0.733957 | 0.914415 | 0.679894 | 0.255448 | -0.508338 | 0.332030 | -0.111107 | -0.251983 | -1.456620 | 0.409630 | 1.062320 | -0.577115 | 0.718796 | -0.399260 | -1.311389 | 0.649122 | 0.091566 | 0.628872 | 0.297894 | -0.142290 | -0.542291 | -0.914290 | 1.144514 | 0.313584 | 1.182635 | 1.214235 | -0.416446 | -1.653940 | -2.550787 | 0.442473 | 0.052127 | -0.464469 | -0.523852 | 0.989726 | -1.325539 | -0.199687 | -1.226727 | 0.290018 | 1.164574 | 0.817841 | -0.309509 | 0.496599 | 0.943536 | -0.091850 | -2.802658 | 2.126219 | -0.521161 | 0.288098 | -0.454663 | -1.676143 | -0.357661 | -0.788960 | 0.185911 | -0.017106 | 2.454020 | 1.832706 | -0.911743 | -0.655873 | -0.000514 | -2.226997 | 0.677285 | -0.140249 | -0.408407 | -0.838665 | 0.482228 | 1.243458 | -0.477394 | -0.220343 | -2.463966 | 0.237325 | -0.307380 | 1.172478 | 0.819492 |
| 1 | 0.405906 | -0.978919 | 1.267526 | 0.145250 | -1.066786 | -2.114192 | -1.128346 | -1.082523 | 0.372216 | 0.004127 | -0.211984 | 0.937326 | -0.935890 | -1.704118 | 0.611789 | -1.030015 | 0.636123 | -1.506193 | 1.736609 | 1.392958 | 1.009424 | 0.353266 | 0.697339 | -0.297424 | 0.428702 | -0.145346 | -0.333553 | -0.974699 | 0.665314 | 0.971944 | 0.121950 | -1.439668 | 1.018808 | 1.442399 | -0.199585 | -1.165916 | 0.645656 | 1.436466 | -0.921215 | 1.293906 | -2.706443 | 1.460928 | -0.823197 | 0.292952 | -1.448992 | 0.026692 | -0.975883 | 0.392823 | 0.442166 | 0.745741 | 1.187982 | -0.218570 | 0.305288 | 0.054932 | -1.476953 | -0.114434 | 0.014103 | 0.825394 | -0.060654 | -0.413688 | 0.974836 | 1.339210 | 1.034838 | 0.040775 | 0.705001 | 0.017796 | 1.867681 | -0.390173 | 2.285277 | 2.311464 | -0.085070 | -0.648115 | 0.576300 | -0.790087 | -1.183798 | -1.334558 | -0.454118 | 0.319302 | 1.706488 | 0.830429 | 0.502476 | -0.079631 | 0.414635 | 0.332511 | 0.042935 | -0.160910 | 0.918553 | -0.292697 | -1.303834 | -0.199604 | 0.871023 | -1.370681 | -0.205701 | -0.492973 | 1.123083 | -0.081842 | -0.118527 | 0.245838 | -0.315742 | -0.511806 |
| 2 | 0.011470 | -0.036104 | 1.399603 | -0.418176 | -0.412229 | -1.234783 | -1.121500 | 1.196478 | -0.569522 | 0.422022 | -0.220484 | 0.804338 | 2.892667 | -0.511055 | -0.168722 | -1.477996 | -1.969917 | 0.471354 | 1.698548 | 0.137105 | -0.762052 | 0.199379 | -0.964346 | -0.256692 | 1.265275 | 0.848762 | -0.784161 | 1.863776 | -0.355569 | 0.854552 | 0.768061 | -2.075718 | -2.501069 | 1.109868 | 0.957545 | -0.683276 | 0.307764 | 0.733073 | 1.706250 | -1.118091 | 0.374961 | -1.414503 | -0.524183 | -1.662696 | 0.687921 | 0.521732 | 1.451396 | -0.833491 | -0.362796 | -1.174444 | -0.813893 | -0.893220 | 0.770743 | 1.156647 | -0.647444 | 0.125929 | 0.513600 | -0.537874 | 1.992052 | -1.946584 | -0.104759 | 0.484779 | -0.290936 | -0.441075 | 0.542993 | -1.050038 | 1.630482 | 0.239771 | -1.177310 | 0.464804 | -0.966995 | 0.646086 | 0.486899 | 1.022196 | -2.267827 | -1.229616 | 1.313805 | 1.073292 | 2.324940 | -0.542720 | -1.504292 | 0.777643 | -0.618553 | 0.011342 | 1.385062 | 1.363552 | -0.549834 | 0.688896 | 1.361288 | -0.381137 | 0.797812 | -1.128198 | 0.369208 | 0.540132 | 0.413853 | -0.200308 | -0.969126 | 0.981293 | -0.009783 | -0.320020 |
| 3 | -0.574816 | 1.419977 | 0.434813 | -1.101217 | -1.586275 | 1.979573 | 0.378298 | 0.782326 | 2.178987 | 0.657564 | 0.683774 | -0.091000 | -0.059552 | -0.738908 | -0.907653 | -0.701936 | 0.580039 | -0.618757 | 0.453684 | 1.665382 | -0.152321 | 0.880077 | 0.571073 | -0.604736 | 0.532359 | 0.515031 | -0.959844 | -0.887184 | 0.435781 | 0.862093 | -0.956321 | -0.625909 | 0.194472 | 0.442490 | 0.526503 | -0.215274 | 0.090711 | 0.932592 | 0.811999 | -2.497026 | 0.631545 | 0.321418 | -0.425549 | -1.078832 | 0.753444 | 0.199790 | -0.360526 | -0.013448 | -0.819476 | 0.814869 | 0.442118 | -0.972048 | -0.060603 | -2.349825 | 1.265445 | -0.573257 | 0.429124 | 1.049783 | 1.954773 | 0.071883 | -0.094209 | 0.265616 | 0.948318 | 0.331645 | 1.343401 | -0.167934 | -1.105252 | -0.167077 | -0.096576 | -0.838161 | -0.208564 | 0.394534 | 0.762533 | 1.235357 | -0.207282 | -0.202946 | -0.468025 | 0.256944 | 2.587584 | 1.186697 | -1.031903 | 1.428316 | 0.658899 | -0.046582 | -0.075422 | 1.329359 | -0.684267 | -1.524182 | 2.014061 | 3.770933 | 0.647353 | -1.021377 | -0.345493 | 0.582811 | 0.797812 | 1.326020 | 1.422857 | -3.077007 | 0.184083 | 1.478935 |
| 4 | -0.600142 | 1.929561 | -2.346771 | -0.669700 | -1.165258 | 0.814788 | 0.444449 | -0.576758 | 0.353091 | 0.408893 | 0.091391 | -2.294389 | 0.485506 | -0.081304 | -0.716272 | -1.648010 | 1.005361 | -1.489603 | 0.363098 | 0.758602 | -1.373847 | -0.972057 | 1.988537 | 0.319829 | 1.169060 | 0.146585 | 1.030388 | 1.165984 | 1.369563 | 0.730984 | -1.383696 | -0.515189 | -0.808927 | -1.174651 | -1.631502 | -1.123414 | -0.478155 | -1.583067 | 1.419074 | 1.668777 | 1.567517 | 0.222103 | -0.336040 | -1.352064 | 0.251032 | -0.401695 | 0.268413 | -0.012299 | -0.918953 | 2.921208 | -0.581588 | 0.672848 | 1.251136 | 1.382263 | 1.429897 | 1.290990 | -1.272673 | -0.308611 | -0.422988 | -0.675642 | 0.874441 | 1.305736 | -0.262585 | -1.099395 | -0.667101 | -0.646737 | -0.556338 | -0.196591 | 0.119306 | -0.266455 | -0.524267 | 2.650951 | 0.097318 | -0.974697 | 0.189964 | 1.141155 | -0.064434 | 1.104971 | -1.508908 | -0.031833 | 0.803919 | -0.659221 | 0.939145 | 0.214041 | -0.531805 | 0.956060 | 0.249328 | 0.637903 | -0.510158 | 1.850287 | -0.348407 | 2.001376 | -0.389643 | -0.024786 | -0.470973 | 0.869339 | 0.170667 | 0.598062 | 1.217262 | 1.274013 |
| 5 | -0.389981 | -0.752441 | -0.734871 | 3.517318 | -1.173559 | -0.004956 | 0.145419 | 2.151368 | -3.086037 | -1.569139 | 1.449784 | -0.868951 | -1.687716 | -0.994401 | 1.153266 | 1.803045 | -0.819059 | 0.847970 | 0.227102 | -0.500762 | 0.868210 | 1.823540 | 1.161007 | -0.307606 | -0.713416 | 0.363560 | -0.822162 | 2.427681 | -0.129537 | -0.078716 | 1.345644 | -1.286094 | 0.237242 | -0.136056 | 0.596664 | -1.412381 | 1.206341 | 0.299860 | 0.705238 | 0.142412 | -1.059382 | 0.833468 | 1.060015 | -0.527045 | -1.135732 | -1.140983 | -0.779540 | -0.640875 | -1.217196 | -1.675663 | 0.241263 | -0.273322 | -1.697936 | -0.594943 | 0.101154 | 1.391735 | -0.426953 | 1.008344 | -0.818577 | 1.924570 | -0.578900 | -0.457395 | -1.096705 | 0.418522 | -0.155623 | 0.169706 | -2.533706 | 0.018904 | 1.434160 | 0.744095 | 0.647626 | -0.770309 | 2.329141 | -0.141547 | -1.761594 | 0.702091 | -1.531450 | -0.788427 | -0.184622 | -1.942321 | 1.530113 | 0.503406 | 1.105845 | -0.935120 | -1.115483 | -2.249762 | 1.307135 | 0.788412 | -0.441091 | 0.073561 | 0.812101 | -0.916146 | 1.573714 | -0.309508 | 0.499987 | 0.187594 | 0.558913 | 0.903246 | 0.317901 | -0.809797 |
| 6 | 1.128248 | 1.516826 | -0.186735 | -0.668157 | 1.132259 | -0.246648 | -0.855167 | 0.732283 | 0.931802 | 1.318684 | -1.198418 | -1.149318 | 0.586321 | -1.171937 | -0.607731 | 2.753747 | 1.479287 | -1.136365 | -0.020485 | 0.320444 | -1.955755 | 0.660402 | -1.545371 | 0.200519 | -0.017263 | 1.634686 | 0.599246 | 0.462989 | 0.023721 | 0.225546 | 0.170972 | -0.027496 | -0.061233 | -0.566411 | -0.669567 | 0.601618 | 0.503656 | -0.678253 | -2.907108 | -1.717123 | 0.397631 | 1.300108 | 0.215821 | -0.593075 | -0.225944 | -0.946057 | 1.000308 | 0.393160 | 1.342074 | -0.370687 | -0.166413 | -0.419814 | -0.255931 | 1.789478 | 0.282378 | 0.742260 | -0.050498 | 1.415309 | 0.838166 | -1.400292 | -0.937976 | -1.499148 | 0.801859 | 0.224824 | 0.283572 | 0.643703 | -1.198465 | 0.527206 | 0.215202 | 0.437048 | 1.312868 | 0.741243 | 0.077988 | 0.006123 | 0.190370 | 0.018007 | -1.026036 | -2.378430 | -1.069949 | 0.843822 | 1.289216 | -1.423369 | -0.462887 | 0.197330 | -0.935076 | 0.441271 | 0.414643 | -0.377887 | -0.530515 | 0.621592 | 1.009572 | 0.569718 | 0.175291 | -0.656279 | -0.112273 | -0.392137 | -1.043558 | -0.467318 | -0.384329 | -2.009207 |
| 7 | 0.658598 | 0.101830 | -0.682781 | 0.229349 | -0.305657 | 0.404877 | 0.252244 | -0.837784 | -0.039624 | 0.329457 | 0.751694 | 1.469070 | -0.157199 | 1.032628 | -0.584639 | -0.925544 | 0.342474 | -0.969363 | 0.133480 | -0.385974 | -0.600278 | 0.281939 | 0.868579 | 1.129803 | -0.041898 | 0.961193 | 0.131521 | -0.792889 | -1.285737 | 0.073934 | -1.333315 | -1.044125 | 1.277338 | 1.492257 | 0.411379 | 1.771805 | -1.111128 | 1.123233 | -1.019449 | 1.738357 | -0.690764 | -0.120710 | -0.421359 | -0.727294 | -0.857759 | -0.069436 | -0.328334 | -0.558180 | 1.063474 | -0.519133 | -0.496902 | 1.089589 | -1.615801 | 0.080174 | -0.229938 | -0.498420 | -0.624615 | 0.059481 | -0.093158 | -1.784549 | -0.503789 | -0.140528 | 0.002653 | -0.484930 | 0.055914 | -0.680948 | -0.994271 | 1.277052 | 0.037651 | 2.155421 | -0.437589 | 0.696404 | 0.417752 | -0.544785 | 1.190690 | 0.978262 | 0.752102 | 0.504472 | 0.139853 | -0.505089 | -0.264975 | -1.603194 | 0.731847 | 0.010903 | -1.165346 | -0.125195 | -1.032685 | -0.465520 | 1.514808 | 0.304762 | 0.793414 | 0.314635 | -1.638279 | 0.111737 | -0.777037 | 0.251783 | 1.126303 | -0.808798 | 0.422064 | -0.349264 |
| 8 | -0.356362 | -0.089227 | 0.609373 | 0.542382 | -0.768681 | -0.048074 | 2.015458 | -1.552351 | 0.251552 | 1.459635 | 0.949707 | 0.339465 | -0.001372 | 1.798589 | 1.559163 | 0.231783 | 0.423141 | -0.310530 | 0.353795 | 2.173336 | -0.196247 | -0.375636 | -0.858221 | 0.258410 | 0.656430 | 0.960819 | 1.137893 | 1.553405 | 0.038981 | -0.632038 | -0.132009 | -1.834997 | -0.242576 | -0.297879 | -0.441559 | -0.769691 | 0.224077 | -0.153009 | 0.519526 | -0.680188 | 0.535851 | 0.671496 | -0.183064 | 0.301234 | 1.288256 | -2.478240 | -0.360403 | 0.424067 | -0.834659 | -0.128464 | -0.489013 | -0.014888 | -1.461230 | -1.435223 | -1.319802 | 1.083675 | 0.979140 | -0.375291 | 1.110189 | -1.011351 | 0.587886 | -0.822775 | -1.183865 | 1.455173 | 1.134328 | 0.239403 | -0.837991 | -1.130932 | 0.783168 | 1.845520 | 1.437072 | -1.198443 | 1.379098 | 2.129113 | 0.260096 | -0.011975 | 0.043302 | 0.722941 | 1.028152 | -0.235806 | 1.145245 | -1.359598 | 0.232189 | 0.503712 | -0.614264 | -0.530606 | -2.435803 | -0.255238 | -0.064423 | 0.784643 | 0.256346 | 0.128023 | 1.414103 | -1.118659 | 0.877353 | 0.500561 | 0.463651 | -2.034512 | -0.981683 | -0.691944 |
| 9 | -1.113376 | -1.169402 | 0.680539 | -1.534212 | 1.653817 | -1.295181 | -0.566826 | 0.477014 | 1.413371 | 0.517105 | 1.401153 | -0.872685 | 0.830957 | 0.181507 | -0.145616 | 0.694592 | -0.751208 | 0.324444 | 0.681973 | -0.054972 | 0.917776 | -1.024810 | -0.206446 | -0.600113 | 0.852805 | 1.455109 | -0.079769 | 0.076076 | 0.207699 | -1.850458 | -0.124124 | -0.610871 | -0.883362 | 0.219049 | -0.685094 | -0.645330 | -0.242805 | -0.775602 | 0.233070 | 2.422642 | -1.423040 | -0.582421 | 0.968304 | -0.701025 | -0.167850 | 0.277264 | 1.301231 | 0.301205 | -3.081249 | -0.562868 | 0.192944 | -0.664592 | 0.565686 | 0.190913 | -0.841858 | -1.856545 | -1.022777 | 1.295968 | 0.451921 | 0.659955 | 0.065818 | -0.319586 | 0.253495 | -1.144646 | -0.483404 | 0.555902 | 0.807069 | 0.714196 | 0.661196 | 0.053667 | 0.346833 | -1.288977 | -0.386734 | -1.262127 | 0.477495 | -0.494034 | -0.911414 | 1.152963 | -0.342365 | -0.160187 | 0.470054 | -0.853063 | -1.387949 | -0.257257 | -1.030690 | -0.110210 | 0.328911 | -0.555923 | 0.987713 | -0.501957 | 2.069887 | -0.067503 | 0.316029 | -1.506232 | 2.201621 | 0.492097 | -0.085193 | -0.977822 | 1.039147 | -0.653932 |
| 10 | -0.405638 | -1.402027 | -1.166242 | 1.306184 | 0.856283 | -1.236170 | -0.646721 | -1.474064 | 0.082960 | 0.090310 | -0.169977 | 0.406345 | 0.915427 | -0.974503 | 0.271637 | 1.539184 | -0.098866 | -0.525149 | 1.063933 | 0.085827 | -0.129622 | 0.947959 | -0.072496 | -0.237592 | 0.012549 | 1.065761 | 0.996596 | -0.172481 | 2.583139 | -0.028578 | -0.254856 | 1.328794 | -1.592951 | 2.434350 | -0.341500 | -0.307719 | -1.333273 | -1.100845 | 0.209097 | 1.734777 | 0.639632 | 0.424779 | -0.129327 | 0.905029 | -0.482909 | 1.731628 | -2.783425 | -0.333677 | -0.110895 | 1.212636 | -0.208412 | 0.427117 | 1.348563 | 0.043859 | 1.772519 | -1.416106 | 0.401155 | 0.807157 | 0.303427 | -1.246288 | 0.178774 | -0.066126 | -1.862288 | 1.241295 | 0.377021 | -0.822320 | -0.749014 | 1.463652 | 1.602268 | -1.043877 | 1.185290 | -0.565783 | -1.076879 | 1.360241 | -0.121991 | 0.991043 | 1.007952 | 0.450185 | -0.744376 | 1.388876 | -0.316847 | -0.841655 | -1.056842 | -0.500226 | 0.096959 | 1.176896 | -2.939652 | 1.792213 | 0.316340 | 0.303218 | 1.024967 | -0.590871 | -0.453326 | -0.795981 | -0.393301 | -0.374372 | -1.270199 | 1.618372 | 1.197727 | -0.914863 |
| 11 | -0.625210 | 0.288911 | 0.288374 | -1.372667 | -0.591395 | -0.478942 | 1.335664 | -0.459855 | -1.615975 | -1.189676 | 0.374767 | -2.488733 | 0.586656 | -1.422008 | 0.496030 | 1.911128 | -0.560660 | -0.499614 | -0.372171 | -1.833069 | 0.237124 | -0.944446 | 0.912140 | 0.359790 | -1.359235 | 0.166966 | -0.047107 | -0.279789 | -0.594454 | -0.739013 | -1.527645 | 0.401668 | 1.791252 | -2.774848 | 0.523873 | 2.207585 | 0.488999 | -0.339283 | 0.131711 | 0.018409 | 1.186551 | -0.424318 | 1.554994 | -0.205917 | -0.934975 | 0.654102 | -1.227761 | -0.461025 | -0.421201 | -0.058615 | -0.584563 | 0.336913 | -0.477102 | -1.381463 | 0.757745 | -0.268968 | 0.034870 | 1.231686 | 0.236600 | 1.234720 | -0.040247 | 0.029582 | 1.034905 | 0.380204 | -0.012108 | -0.859511 | -0.990340 | -1.205172 | -1.030178 | 0.426676 | 0.497796 | -0.876808 | 0.957963 | 0.173016 | 0.131612 | -1.003556 | -1.069908 | -1.799207 | 1.429598 | -0.116015 | -1.454980 | 0.261917 | 0.444412 | 0.273290 | 0.844115 | 0.218745 | -1.033350 | -1.188295 | 0.058373 | 0.800523 | -1.627068 | 0.861651 | 0.871018 | -0.003733 | -0.243354 | 0.947296 | 0.509406 | 0.044546 | 0.266896 | 1.337165 |
| 12 | 0.699142 | -1.928033 | 0.105363 | 1.042322 | 0.715206 | -0.763783 | 0.098798 | -1.157898 | 0.134105 | 0.042041 | 0.674826 | 0.165649 | -1.622970 | -3.131274 | 0.597649 | -1.880331 | 0.663980 | -0.256033 | -1.524058 | 0.492799 | 0.221163 | 0.429622 | -0.659584 | 1.264506 | -0.032131 | -2.114907 | -0.264043 | 0.457835 | -0.676837 | -0.629003 | 0.489145 | -0.551686 | 0.942622 | -0.512043 | -0.455893 | 0.021244 | -0.178035 | -2.498073 | -0.171292 | 0.323510 | -0.545163 | -0.668909 | -0.150031 | 0.521620 | -0.428980 | 0.676463 | 0.369081 | -0.724832 | 0.793542 | 1.237422 | 0.401275 | 2.141523 | 0.249012 | 0.486755 | -0.163274 | 0.592222 | -0.292600 | -0.547168 | 0.619104 | -0.013605 | 0.776734 | 0.131424 | 1.189480 | -0.666317 | -0.939036 | 1.105515 | 0.621452 | 1.586605 | -0.760970 | 1.649646 | 0.283199 | 1.275812 | -0.452012 | 0.301361 | -0.976951 | -0.268106 | -0.079255 | -1.258332 | 2.216658 | -1.175988 | -0.863497 | -1.653022 | -0.561514 | 0.450753 | 0.417200 | 0.094676 | -2.231054 | 1.316862 | -0.477441 | 0.646654 | -0.200252 | 1.074354 | -0.058176 | 0.120990 | 0.222522 | -0.179507 | 0.421655 | -0.914341 | -0.234178 | 0.741524 |
| 13 | 0.932714 | 1.423761 | -1.280835 | 0.347882 | -0.863171 | -0.852580 | 1.044933 | 2.094536 | 0.806206 | 0.416201 | -1.109503 | 0.145302 | -0.996871 | 0.325456 | -0.605081 | 1.175326 | 1.645054 | 0.293432 | -2.766822 | 1.032849 | 0.079115 | -1.414132 | 1.463376 | 2.335486 | 0.411951 | -0.048543 | 0.159284 | -0.651554 | -1.093128 | 1.568390 | -0.077807 | -2.390779 | -0.842346 | -0.229675 | -0.999072 | -1.367219 | -0.792042 | -1.878575 | 1.451452 | 1.266250 | -0.734315 | 0.266152 | 0.735523 | -0.430860 | 0.229864 | 0.850083 | -2.241241 | 1.063850 | 0.289409 | -0.354360 | 0.113063 | -0.173006 | 1.386998 | 1.886236 | 0.587119 | -0.961133 | 0.399295 | 1.461560 | 0.310823 | 0.280220 | -0.879103 | -1.326348 | 0.003337 | -1.085908 | -0.436723 | 2.111926 | 0.106068 | 0.615597 | 2.152996 | -0.196155 | 0.025747 | -0.039061 | 0.656823 | -0.347105 | 2.513979 | 1.758070 | 1.288473 | -0.739185 | -0.691592 | -0.098728 | -0.276386 | 0.489981 | 0.516278 | -0.838258 | 0.596673 | -0.331053 | 0.521174 | -0.145023 | 0.836693 | -1.092166 | 0.361733 | -1.169981 | 0.046731 | 0.655377 | -0.756852 | 1.285805 | -0.095019 | 0.360253 | 1.370621 | 0.083010 |
| 14 | 0.888893 | 2.288725 | -1.032332 | 0.212273 | -1.091826 | 1.692498 | 1.025367 | 0.550854 | 0.679430 | -1.335712 | -0.798341 | 2.265351 | -1.006938 | 2.059761 | 0.420266 | -1.189657 | 0.506674 | 0.260847 | -0.533145 | 0.727267 | 1.412276 | 1.482106 | -0.996258 | 0.588641 | -0.412642 | -0.920733 | -0.874691 | 0.839002 | 0.501668 | -0.342493 | -0.533806 | -2.146352 | -0.597339 | 0.115726 | 0.850683 | -0.752239 | 0.377263 | -0.561982 | 0.262783 | -0.356676 | -0.367462 | 0.753611 | -1.267414 | -1.330698 | -0.536453 | 0.840938 | -0.763108 | -0.268100 | -0.677424 | 1.606831 | 0.151732 | -2.085701 | 1.219296 | 0.400863 | 0.591165 | -1.485213 | 1.501979 | 1.196569 | -0.214154 | 0.339554 | -0.034446 | 1.176452 | 0.546340 | -1.255630 | -1.309210 | -0.445437 | 0.189437 | -0.737463 | 0.843767 | -0.605632 | -0.060777 | 0.409310 | 1.285569 | -0.622638 | 1.018193 | 0.880680 | 0.046805 | -1.818058 | -0.809829 | 0.875224 | 0.409569 | -0.116621 | -1.238919 | 3.305724 | -0.024121 | -1.756500 | 1.328958 | 0.507593 | -0.866554 | -2.240848 | -0.661376 | -0.671824 | 0.215720 | -0.296326 | 0.481402 | 0.829645 | -0.721025 | 1.263914 | 0.549047 | -1.234945 |
| 15 | -1.978838 | 0.721823 | -0.559067 | -1.235243 | 0.420716 | -0.598845 | 0.359576 | -0.619366 | -1.757772 | -1.156251 | 0.705212 | 0.875071 | -1.020376 | 0.394760 | -0.147970 | 0.230249 | 1.355203 | 1.794488 | 2.678058 | -0.153565 | -0.460959 | -0.098108 | -1.407930 | -2.487702 | 1.823014 | 0.099873 | -0.517603 | -0.509311 | -1.833175 | -0.900906 | 0.459493 | -0.655440 | 1.466122 | -1.531389 | -0.422106 | 0.421422 | 0.578615 | 0.259795 | 0.018941 | -0.168726 | 1.611107 | -1.586550 | -1.384941 | 0.858377 | 1.033242 | 1.701343 | 1.748344 | -0.371182 | -0.843575 | 2.089641 | -0.345430 | -1.740556 | 0.141915 | -2.197138 | 0.689569 | -0.150025 | 0.287456 | 0.654016 | -1.521919 | -0.918008 | -0.587528 | 0.230636 | 0.262637 | 0.615674 | 0.600044 | -0.494699 | -0.743089 | 0.220026 | -0.242207 | 0.528216 | -0.328174 | -1.536517 | -1.476640 | -1.162114 | -1.260222 | 1.106252 | -1.467408 | -0.349341 | -1.841217 | 0.031296 | -0.076475 | -0.353383 | 0.807545 | 0.779064 | -2.398417 | -0.267828 | 1.549734 | 0.814397 | 0.284770 | -0.659369 | 0.761040 | -0.722067 | 0.810332 | 1.501295 | 1.440865 | -1.367459 | -0.700301 | -1.540662 | 0.159837 | -0.625415 |

也可以将 MultiIndexes 粘在一起，甚至只针对特定级别进行操作。

[66]: 

bigdf.index = pd.MultiIndex.from_product([["A","B"],[0,1],[0,1,2,3]])
bigdf.style.set_sticky(axis="index", pixel_size=18, levels=[1,2]) 

[66]:
0123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899
A00-0.773866-0.240521-0.2171651.1736090.6863900.0083580.6962320.1731660.6204980.5040670.428066-0.0518240.7199150.0571650.562808-0.3695360.4833990.620765-0.354342-1.469471-1.9372660.038031-1.518162-0.4175990.3867170.7161930.4899610.7339570.9144150.6798940.255448-0.5083380.332030-0.111107-0.251983-1.4566200.4096301.062320-0.5771150.718796-0.399260-1.3113890.6491220.0915660.6288720.297894-0.142290-0.542291-0.9142901.1445140.3135841.1826351.214235-0.416446-1.653940-2.5507870.4424730.052127-0.464469-0.5238520.989726-1.325539-0.199687-1.2267270.2900181.1645740.817841-0.3095090.4965990.943536-0.091850-2.8026582.126219-0.5211610.288098-0.454663-1.676143-0.357661-0.7889600.185911-0.0171062.4540201.832706-0.911743-0.655873-0.000514-2.2269970.677285-0.140249-0.408407-0.8386650.4822281.243458-0.477394-0.220343-2.4639660.237325-0.3073801.1724780.819492
10.405906-0.9789191.2675260.145250-1.066786-2.114192-1.128346-1.0825230.3722160.004127-0.2119840.937326-0.935890-1.7041180.611789-1.0300150.636123-1.5061931.7366091.3929581.0094240.3532660.697339-0.2974240.428702-0.145346-0.333553-0.9746990.6653140.9719440.121950-1.4396681.0188081.442399-0.199585-1.1659160.6456561.436466-0.9212151.293906-2.7064431.460928-0.8231970.292952-1.4489920.026692-0.9758830.3928230.4421660.7457411.187982-0.2185700.3052880.054932-1.476953-0.1144340.0141030.825394-0.060654-0.4136880.9748361.3392101.0348380.0407750.7050010.0177961.867681-0.3901732.2852772.311464-0.085070-0.6481150.576300-0.790087-1.183798-1.334558-0.4541180.3193021.7064880.8304290.502476-0.0796310.4146350.3325110.042935-0.1609100.918553-0.292697-1.303834-0.1996040.871023-1.370681-0.205701-0.4929731.123083-0.081842-0.1185270.245838-0.315742-0.511806
20.011470-0.0361041.399603-0.418176-0.412229-1.234783-1.1215001.196478-0.5695220.422022-0.2204840.8043382.892667-0.511055-0.168722-1.477996-1.9699170.4713541.6985480.137105-0.7620520.199379-0.964346-0.2566921.2652750.848762-0.7841611.863776-0.3555690.8545520.768061-2.075718-2.5010691.1098680.957545-0.6832760.3077640.7330731.706250-1.1180910.374961-1.414503-0.524183-1.6626960.6879210.5217321.451396-0.833491-0.362796-1.174444-0.813893-0.8932200.7707431.156647-0.6474440.1259290.513600-0.5378741.992052-1.946584-0.1047590.484779-0.290936-0.4410750.542993-1.0500381.6304820.239771-1.1773100.464804-0.9669950.6460860.4868991.022196-2.267827-1.2296161.3138051.0732922.324940-0.542720-1.5042920.777643-0.6185530.0113421.3850621.363552-0.5498340.6888961.361288-0.3811370.797812-1.1281980.3692080.5401320.413853-0.200308-0.9691260.981293-0.009783-0.320020
3-0.5748161.4199770.434813-1.101217-1.5862751.9795730.3782980.7823262.1789870.6575640.683774-0.091000-0.059552-0.738908-0.907653-0.7019360.580039-0.6187570.4536841.665382-0.1523210.8800770.571073-0.6047360.5323590.515031-0.959844-0.8871840.4357810.862093-0.956321-0.6259090.1944720.4424900.526503-0.2152740.0907110.9325920.811999-2.4970260.6315450.321418-0.425549-1.0788320.7534440.199790-0.360526-0.013448-0.8194760.8148690.442118-0.972048-0.060603-2.3498251.265445-0.5732570.4291241.0497831.9547730.071883-0.0942090.2656160.9483180.3316451.343401-0.167934-1.105252-0.167077-0.096576-0.838161-0.2085640.3945340.7625331.235357-0.207282-0.202946-0.4680250.2569442.5875841.186697-1.0319031.4283160.658899-0.046582-0.0754221.329359-0.684267-1.5241822.0140613.7709330.647353-1.021377-0.3454930.5828110.7978121.3260201.422857-3.0770070.1840831.478935
10-0.6001421.929561-2.346771-0.669700-1.1652580.8147880.444449-0.5767580.3530910.4088930.091391-2.2943890.485506-0.081304-0.716272-1.6480101.005361-1.4896030.3630980.758602-1.373847-0.9720571.9885370.3198291.1690600.1465851.0303881.1659841.3695630.730984-1.383696-0.515189-0.808927-1.174651-1.631502-1.123414-0.478155-1.5830671.4190741.6687771.5675170.222103-0.336040-1.3520640.251032-0.4016950.268413-0.012299-0.9189532.921208-0.5815880.6728481.2511361.3822631.4298971.290990-1.272673-0.308611-0.422988-0.6756420.8744411.305736-0.262585-1.099395-0.667101-0.646737-0.556338-0.1965910.119306-0.266455-0.5242672.6509510.097318-0.9746970.1899641.141155-0.0644341.104971-1.508908-0.0318330.803919-0.6592210.9391450.214041-0.5318050.9560600.2493280.637903-0.5101581.850287-0.3484072.001376-0.389643-0.024786-0.4709730.8693390.1706670.5980621.2172621.274013
1-0.389981-0.752441-0.7348713.517318-1.173559-0.0049560.1454192.151368-3.086037-1.5691391.449784-0.868951-1.687716-0.9944011.1532661.803045-0.8190590.8479700.227102-0.5007620.8682101.8235401.161007-0.307606-0.7134160.363560-0.8221622.427681-0.129537-0.0787161.345644-1.2860940.237242-0.1360560.596664-1.4123811.2063410.2998600.7052380.142412-1.0593820.8334681.060015-0.527045-1.135732-1.140983-0.779540-0.640875-1.217196-1.6756630.241263-0.273322-1.697936-0.5949430.1011541.391735-0.4269531.008344-0.8185771.924570-0.578900-0.457395-1.0967050.418522-0.1556230.169706-2.5337060.0189041.4341600.7440950.647626-0.7703092.329141-0.141547-1.7615940.702091-1.531450-0.788427-0.184622-1.9423211.5301130.5034061.105845-0.935120-1.115483-2.2497621.3071350.788412-0.4410910.0735610.812101-0.9161461.573714-0.3095080.4999870.1875940.5589130.9032460.317901-0.809797
21.1282481.516826-0.186735-0.6681571.132259-0.246648-0.8551670.7322830.9318021.318684-1.198418-1.1493180.586321-1.171937-0.6077312.7537471.479287-1.136365-0.0204850.320444-1.9557550.660402-1.5453710.200519-0.0172631.6346860.5992460.4629890.0237210.2255460.170972-0.027496-0.061233-0.566411-0.6695670.6016180.503656-0.678253-2.907108-1.7171230.3976311.3001080.215821-0.593075-0.225944-0.9460571.0003080.3931601.342074-0.370687-0.166413-0.419814-0.2559311.7894780.2823780.742260-0.0504981.4153090.838166-1.400292-0.937976-1.4991480.8018590.2248240.2835720.643703-1.1984650.5272060.2152020.4370481.3128680.7412430.0779880.0061230.1903700.018007-1.026036-2.378430-1.0699490.8438221.289216-1.423369-0.4628870.197330-0.9350760.4412710.414643-0.377887-0.5305150.6215921.0095720.5697180.175291-0.656279-0.112273-0.392137-1.043558-0.467318-0.384329-2.009207
30.6585980.101830-0.6827810.229349-0.3056570.4048770.252244-0.837784-0.0396240.3294570.7516941.469070-0.1571991.032628-0.584639-0.9255440.342474-0.9693630.133480-0.385974-0.6002780.2819390.8685791.129803-0.0418980.9611930.131521-0.792889-1.2857370.073934-1.333315-1.0441251.2773381.4922570.4113791.771805-1.1111281.123233-1.0194491.738357-0.690764-0.120710-0.421359-0.727294-0.857759-0.069436-0.328334-0.5581801.063474-0.519133-0.4969021.089589-1.6158010.080174-0.229938-0.498420-0.6246150.059481-0.093158-1.784549-0.503789-0.1405280.002653-0.4849300.055914-0.680948-0.9942711.2770520.0376512.155421-0.4375890.6964040.417752-0.5447851.1906900.9782620.7521020.5044720.139853-0.505089-0.264975-1.6031940.7318470.010903-1.165346-0.125195-1.032685-0.4655201.5148080.3047620.7934140.314635-1.6382790.111737-0.7770370.2517831.126303-0.8087980.422064-0.349264
B00-0.356362-0.0892270.6093730.542382-0.768681-0.0480742.015458-1.5523510.2515521.4596350.9497070.339465-0.0013721.7985891.5591630.2317830.423141-0.3105300.3537952.173336-0.196247-0.375636-0.8582210.2584100.6564300.9608191.1378931.5534050.038981-0.632038-0.132009-1.834997-0.242576-0.297879-0.441559-0.7696910.224077-0.1530090.519526-0.6801880.5358510.671496-0.1830640.3012341.288256-2.478240-0.3604030.424067-0.834659-0.128464-0.489013-0.014888-1.461230-1.435223-1.3198021.0836750.979140-0.3752911.110189-1.0113510.587886-0.822775-1.1838651.4551731.1343280.239403-0.837991-1.1309320.7831681.8455201.437072-1.1984431.3790982.1291130.260096-0.0119750.0433020.7229411.028152-0.2358061.145245-1.3595980.2321890.503712-0.614264-0.530606-2.435803-0.255238-0.0644230.7846430.2563460.1280231.414103-1.1186590.8773530.5005610.463651-2.034512-0.981683-0.691944
1-1.113376-1.1694020.680539-1.5342121.653817-1.295181-0.5668260.4770141.4133710.5171051.401153-0.8726850.8309570.181507-0.1456160.694592-0.7512080.3244440.681973-0.0549720.917776-1.024810-0.206446-0.6001130.8528051.455109-0.0797690.0760760.207699-1.850458-0.124124-0.610871-0.8833620.219049-0.685094-0.645330-0.242805-0.7756020.2330702.422642-1.423040-0.5824210.968304-0.701025-0.1678500.2772641.3012310.301205-3.081249-0.5628680.192944-0.6645920.5656860.190913-0.841858-1.856545-1.0227771.2959680.4519210.6599550.065818-0.3195860.253495-1.144646-0.4834040.5559020.8070690.7141960.6611960.0536670.346833-1.288977-0.386734-1.2621270.477495-0.494034-0.9114141.152963-0.342365-0.1601870.470054-0.853063-1.387949-0.257257-1.030690-0.1102100.328911-0.5559230.987713-0.5019572.069887-0.0675030.316029-1.5062322.2016210.492097-0.085193-0.9778221.039147-0.653932
2-0.405638-1.402027-1.1662421.3061840.856283-1.236170-0.646721-1.4740640.0829600.090310-0.1699770.4063450.915427-0.9745030.2716371.539184-0.098866-0.5251491.0639330.085827-0.1296220.947959-0.072496-0.2375920.0125491.0657610.996596-0.1724812.583139-0.028578-0.2548561.328794-1.5929512.434350-0.341500-0.307719-1.333273-1.1008450.2090971.7347770.6396320.424779-0.1293270.905029-0.4829091.731628-2.783425-0.333677-0.1108951.212636-0.2084120.4271171.3485630.0438591.772519-1.4161060.4011550.8071570.303427-1.2462880.178774-0.066126-1.8622881.2412950.377021-0.822320-0.7490141.4636521.602268-1.0438771.185290-0.565783-1.0768791.360241-0.1219910.9910431.0079520.450185-0.7443761.388876-0.316847-0.841655-1.056842-0.5002260.0969591.176896-2.9396521.7922130.3163400.3032181.024967-0.590871-0.453326-0.795981-0.393301-0.374372-1.2701991.6183721.197727-0.914863
3-0.6252100.2889110.288374-1.372667-0.591395-0.4789421.335664-0.459855-1.615975-1.1896760.374767-2.4887330.586656-1.4220080.4960301.911128-0.560660-0.499614-0.372171-1.8330690.237124-0.9444460.9121400.359790-1.3592350.166966-0.047107-0.279789-0.594454-0.739013-1.5276450.4016681.791252-2.7748480.5238732.2075850.488999-0.3392830.1317110.0184091.186551-0.4243181.554994-0.205917-0.9349750.654102-1.227761-0.461025-0.421201-0.058615-0.5845630.336913-0.477102-1.3814630.757745-0.2689680.0348701.2316860.2366001.234720-0.0402470.0295821.0349050.380204-0.012108-0.859511-0.990340-1.205172-1.0301780.4266760.497796-0.8768080.9579630.1730160.131612-1.003556-1.069908-1.7992071.429598-0.116015-1.4549800.2619170.4444120.2732900.8441150.218745-1.033350-1.1882950.0583730.800523-1.6270680.8616510.871018-0.003733-0.2433540.9472960.5094060.0445460.2668961.337165
100.699142-1.9280330.1053631.0423220.715206-0.7637830.098798-1.1578980.1341050.0420410.6748260.165649-1.622970-3.1312740.597649-1.8803310.663980-0.256033-1.5240580.4927990.2211630.429622-0.6595841.264506-0.032131-2.114907-0.2640430.457835-0.676837-0.6290030.489145-0.5516860.942622-0.512043-0.4558930.021244-0.178035-2.498073-0.1712920.323510-0.545163-0.668909-0.1500310.521620-0.4289800.6764630.369081-0.7248320.7935421.2374220.4012752.1415230.2490120.486755-0.1632740.592222-0.292600-0.5471680.619104-0.0136050.7767340.1314241.189480-0.666317-0.9390361.1055150.6214521.586605-0.7609701.6496460.2831991.275812-0.4520120.301361-0.976951-0.268106-0.079255-1.2583322.216658-1.175988-0.863497-1.653022-0.5615140.4507530.4172000.094676-2.2310541.316862-0.4774410.646654-0.2002521.074354-0.0581760.1209900.222522-0.1795070.421655-0.914341-0.2341780.741524
10.9327141.423761-1.2808350.347882-0.863171-0.8525801.0449332.0945360.8062060.416201-1.1095030.145302-0.9968710.325456-0.6050811.1753261.6450540.293432-2.7668221.0328490.079115-1.4141321.4633762.3354860.411951-0.0485430.159284-0.651554-1.0931281.568390-0.077807-2.390779-0.842346-0.229675-0.999072-1.367219-0.792042-1.8785751.4514521.266250-0.7343150.2661520.735523-0.4308600.2298640.850083-2.2412411.0638500.289409-0.3543600.113063-0.1730061.3869981.8862360.587119-0.9611330.3992951.4615600.3108230.280220-0.879103-1.3263480.003337-1.085908-0.4367232.1119260.1060680.6155972.152996-0.1961550.025747-0.0390610.656823-0.3471052.5139791.7580701.288473-0.739185-0.691592-0.098728-0.2763860.4899810.516278-0.8382580.596673-0.3310530.521174-0.1450230.836693-1.0921660.361733-1.1699810.0467310.655377-0.7568521.285805-0.0950190.3602531.3706210.083010
20.8888932.288725-1.0323320.212273-1.0918261.6924981.0253670.5508540.679430-1.335712-0.7983412.265351-1.0069382.0597610.420266-1.1896570.5066740.260847-0.5331450.7272671.4122761.482106-0.9962580.588641-0.412642-0.920733-0.8746910.8390020.501668-0.342493-0.533806-2.146352-0.5973390.1157260.850683-0.7522390.377263-0.5619820.262783-0.356676-0.3674620.753611-1.267414-1.330698-0.5364530.840938-0.763108-0.268100-0.6774241.6068310.151732-2.0857011.2192960.4008630.591165-1.4852131.5019791.196569-0.2141540.339554-0.0344461.1764520.546340-1.255630-1.309210-0.4454370.189437-0.7374630.843767-0.605632-0.0607770.4093101.285569-0.6226381.0181930.8806800.046805-1.818058-0.8098290.8752240.409569-0.116621-1.2389193.305724-0.024121-1.7565001.3289580.507593-0.866554-2.240848-0.661376-0.6718240.215720-0.2963260.4814020.829645-0.7210251.2639140.549047-1.234945
3-1.9788380.721823-0.559067-1.2352430.420716-0.5988450.359576-0.619366-1.757772-1.1562510.7052120.875071-1.0203760.394760-0.1479700.2302491.3552031.7944882.678058-0.153565-0.460959-0.098108-1.407930-2.4877021.8230140.099873-0.517603-0.509311-1.833175-0.9009060.459493-0.6554401.466122-1.531389-0.4221060.4214220.5786150.2597950.018941-0.1687261.611107-1.586550-1.3849410.8583771.0332421.7013431.748344-0.371182-0.8435752.089641-0.345430-1.7405560.141915-2.1971380.689569-0.1500250.2874560.654016-1.521919-0.918008-0.5875280.2306360.2626370.6156740.600044-0.494699-0.7430890.220026-0.2422070.528216-0.328174-1.536517-1.476640-1.162114-1.2602221.106252-1.467408-0.349341-1.8412170.031296-0.076475-0.3533830.8075450.779064-2.398417-0.2678281.5497340.8143970.284770-0.6593690.761040-0.7220670.8103321.5012951.440865-1.367459-0.700301-1.5406620.159837-0.625415

HTML 转义

假设您必须在 HTML 中显示 HTML，当渲染器无法区分时可能会有些麻烦。 您可以使用escape格式选项来处理此问题，甚至可以在包含 HTML 本身的格式化程序中使用它。

[67]: 

df4 = pd.DataFrame([['<div></div>', '"&other"', '<span></span>']])
df4.style 

[67]:
012
0“&other”
[68]: 

df4.style.format(escape="html") 

[68]:
012
0
“&other”
[69]: 

df4.style.format('<a href="https://pandas.pydata.org" target="_blank">{}</a>', escape="html") 

[69]:
012
0
“&other”

导出到 Excel

从版本 0.20.0 开始，可以使用OpenPyXL或XlsxWriter引擎将带有样式的DataFrames导出到 Excel 工作表。支持的 CSS2.2 属性包括：

  • background-color

  • border-style 属性

  • border-width 属性

  • border-color 属性

  • color

  • font-family

  • font-style

  • font-weight

  • text-align

  • text-decoration

  • vertical-align

  • white-space: nowrap

  • 支持简写和特定侧边框属性（例如border-style和border-left-style），以及所有边的border简写（border: 1px solid green）或指定边（border-left: 1px solid green）。使用border简写将覆盖之前设置的任何��框属性（有关更多详细信息，请参阅CSS Working Group）

  • 目前仅支持 CSS2 命名颜色和形式为#rgb或#rrggbb的十六进制颜色。

  • 以下伪 CSS 属性也可用于设置 Excel 特定的样式属性：

    • number-format

    • border-style（用于 Excel 特定样式：“hair”、“mediumDashDot”、“dashDotDot”、“mediumDashDotDot”、“dashDot”、“slantDashDot”或“mediumDashed”）

表级样式和数据单元格 CSS 类不包括在导出到 Excel 中：单个单元格必须通过Styler.apply和/或Styler.map方法映射其属性。

[70]: 

df2.style.\
    map(style_negative, props='color:red;').\
    highlight_max(axis=0).\
    to_excel('styled.xlsx', engine='openpyxl')

输出的屏幕截图：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

导出到 LaTeX

从版本 1.3.0 开始，支持将Styler导出到 LaTeX。.to_latex 方法的文档提供了更多详细信息和大量示例。

更多关于 CSS 和 HTML

层叠样式表（CSS）语言旨在影响浏览器如何呈现 HTML 元素，具有其自己的特点。它从不报告错误：它只是悄悄地忽略它们，不按照您的意图呈现您的对象，因此有时可能令人沮丧。以下是关于Styler如何创建 HTML 并与 CSS 交互的简要入门，以及避免常见陷阱的建议。

CSS 类和 Id

每个单元格附加的 CSS class 的精确结构如下。

  • 具有索引和列名称的单元格包括index_name和level<k>，其中k是其在多重索引中的级别

  • 索引标签单元格包括

    • row_heading

    • level<k>，其中k是多重索引中的级别

    • row<m>，其中m是行的数字位置

  • 列标签单元格包括

    • col_heading

    • level<k>，其中k是多重索引中的级别

    • col<n>，其中n是列的数字位置

  • 数据单元格包括

    • data

    • row<m>，其中m是单元格的数字位置。

    • col<n>，其中n是单元格的数字位置。

  • 空单元格包括blank

  • 裁剪的单元格包括col_trim或row_trim

id的结构是T_uuid_level<k>_row<m>_col<n>，其中level<k>仅用于标题，标题只会有row<m>或col<n>中的一个，取决于需要哪个。默认情况下，我们还为每个 DataFrame 的每个行/列标识符添加了一个唯一的 UUID，以便一个 DataFrame 的样式不会与同一笔记本或页面中的另一个 DataFrame 的样式发生冲突。您可以在优化中阅读更多关于 UUID 使用的内容。

通过调用.to_html()方法，我们可以看到 HTML 的示例。

[71]: 

print(pd.DataFrame([[1,2],[3,4]], index=['i1', 'i2'], columns=['c1', 'c2']).style.to_html()) 

<style type="text/css">
</style>
<table id="T_a1de3">
  <thead>
    <tr>
      <th class="blank level0" >&nbsp;</th>
      <th id="T_a1de3_level0_col0" class="col_heading level0 col0" >c1</th>
      <th id="T_a1de3_level0_col1" class="col_heading level0 col1" >c2</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th id="T_a1de3_level0_row0" class="row_heading level0 row0" >i1</th>
      <td id="T_a1de3_row0_col0" class="data row0 col0" >1</td>
      <td id="T_a1de3_row0_col1" class="data row0 col1" >2</td>
    </tr>
    <tr>
      <th id="T_a1de3_level0_row1" class="row_heading level0 row1" >i2</th>
      <td id="T_a1de3_row1_col0" class="data row1 col0" >3</td>
      <td id="T_a1de3_row1_col1" class="data row1 col1" >4</td>
    </tr>
  </tbody>
</table>

CSS 层次结构

示例表明，当 CSS 样式重叠时，HTML 渲染中排在后面的样式优先。因此，以下会产生不同的结果：

[72]: 

df4 = pd.DataFrame([['text']])
df4.style.map(lambda x: 'color:green;')\
         .map(lambda x: 'color:red;') 

[72]:
0
0文本
[73]: 

df4.style.map(lambda x: 'color:red;')\
         .map(lambda x: 'color:green;') 

[73]:
0
0文本

这仅适用于层次结构或重要性相等的 CSS 规则。您可以在这里阅读更多关于 CSS 特异性的内容，但对于我们的目的，总结关键点就足够了：

每个 HTML 元素的 CSS 重要性分数是通过从零开始并添加以下内容得出的：

  • 1000 用于内联样式属性

  • 100 用于每个 ID

  • 10 用于每个属性、类或伪类

  • 1 用于每个元素名称或伪元素

让我们用这个来描述以下配置的操作

[74]: 

df4.style.set_uuid('a_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'}])\
         .map(lambda x: 'color:green;') 

[74]:
0
0文本

这段文字是红色的，因为生成的选择器#T_a_ td价值为 101（ID 加元素），而#T_a_row0_col0只值为 100（ID），因此尽管在 HTML 中排在前面，但被认为是次要的。

[75]: 

df4.style.set_uuid('b_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'}])\
         .map(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']])) 

[75]:
0
0文本

在上述情况下，文本是蓝色的，因为选择器#T_b_ .cls-1价值为 110（ID 加类），优先级更高。

[76]: 

df4.style.set_uuid('c_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .map(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']])) 

[76]:
0
0文本

现在我们创建了另一个表格样式，这次选择器T_c_ td.data（ID 加元素加类）被提升到 111。

如果您的样式未能应用，并且真的很令人沮丧，请尝试使用!important王牌。

[77]: 

df4.style.set_uuid('d_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .map(lambda x: 'color:green !important;')\
         .set_td_classes(pd.DataFrame([['cls-1']])) 

[77]:
0
0文本

终于得到了那个绿色的文本！

可扩展性

pandas 的核心是，并将始终是其“高性能、易于使用的数据结构”。考虑到这一点，我们希望DataFrame.style实现两个目标

  • 提供一个对交互使用愉悦且对许多任务“足够好”的 API

  • 为专用库提供基础

如果您在此基础上构建了一个很棒的库，请告诉我们，我们将链接到它。

子类化

如果默认模板不完全符合您的需求，您可以创建 Styler 的子类并扩展或覆盖模板。我们将展示一个扩展默认模板以在每个表格之前插入自定义标题的示例。

[78]: 

from jinja2 import Environment, ChoiceLoader, FileSystemLoader
from IPython.display import HTML
from pandas.io.formats.style import Styler

我们将使用以下模板：

[79]: 

with open("templates/myhtml.tpl") as f:
    print(f.read()) 

{% extends "html_table.tpl" %}
{% block table %}
<h1>{{ table_title|default("My Table") }}</h1>
{{ super() }}
{% endblock table %}

现在我们已经创建了一个模板，我们需要设置一个Styler的子类，让它知道这个模板。

[80]: 

class MyStyler(Styler):
    env = Environment(
        loader=ChoiceLoader([
            FileSystemLoader("templates"),  # contains ours
            Styler.loader,  # the default
        ])
    )
    template_html_table = env.get_template("myhtml.tpl")

注意我们在环境的加载器中包含了原始加载器。这是因为我们扩展了原始模板，所以 Jinja 环境需要能够找到它。

现在我们可以使用自定义样式。它的__init__接受一个 DataFrame。

[81]: 

MyStyler(df3) 

[81]:

我的表

c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

我们的自定义模板接受一个table_title关键字。我们可以在.to_html方法中提供值。

[82]: 

HTML(MyStyler(df3).to_html(table_title="Extending Example")) 

[82]:

扩展示例

c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332

为了方便起见，我们提供了Styler.from_custom_template方法，它与自定义子类相同。

[83]: 

EasyStyler = Styler.from_custom_template("templates", "myhtml.tpl")
HTML(EasyStyler(df3).to_html(table_title="Another Title")) 

[83]:

另一个标题

c1c2c3c4
Ar1-1.048553-1.420018-1.7062701.950775
r2-0.509652-0.438074-1.2527950.777490
Br1-1.613898-0.212740-0.8954670.386902
r2-0.510805-1.180632-0.0281820.428332
模板结构

这是样式生成模板和表生成模板的模板结构：

样式模板：

[85]: 

HTML(style_structure) 

[85]:

before_stylestyle

<style type="text/css">

table_stylesbefore_cellstylecellstyle

</style>

表模板：

[87]: 

HTML(table_structure) 

[87]:

before_tabletable

<table ...>

captiontheadbefore_head_rowshead_tr（循环遍历标题）after_head_rowstbodybefore_rowstr（循环遍历数据行）after_rows

</table>

after_table

查看 GitHub 仓库 中的模板以获取更多详细信息。

Styler 对象和自定义显示

样式和输出显示自定义应在处理 DataFrame 中的数据之后执行。如果对 DataFrame 进行进一步更改，Styler 不会动态更新。DataFrame.style 属性是一个返回 Styler 对象的属性。它在 Jupyter Notebook 中自动呈现，具有定义的 _repr_html_ 方法。

Styler 可用于大数据，但主要设计用于小数据，目前可以输出以下格式：

  • HTML

  • LaTeX

  • 字符串（以及 CSV 扩展）

  • Excel

  • （JSON 目前不可用）

这三个都有显示自定义方法，旨在格式化和自定义输出。这些包括：

  • 格式化值，索引和列标题，使用 .format() 和 .format_index()，

  • 重命名索引或列标题标签，使用.relabel_index()

  • 隐藏某些列、索引和/或列标题，或索引名称，使用.hide()

  • 连接相似的数据框，使用.concat()

格式化显示

格式化值

Styler 区分显示值和实际值，无论是数据值还是索引或列标题。要控制显示值，文本以字符串形式打印在每个单元格中，我们可以使用.format()和.format_index()方法根据格式规范字符串或接受单个值并返回字符串的可调用对象来操作。可以为整个表格、索引、单独的列或 MultiIndex 级别定义此功能。我们还可以覆盖索引名称。

此外，格式函数具有精度参数，专门用于格式化浮点数，以及小数和千位分隔符来支持其他语言环境，一个na_rep参数用于显示缺失数据，以及一个escape和hyperlinks参数用于帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，如styler.format.precision选项，可使用with pd.option_context('format.precision', 2):进行控制。

[2]: 

import pandas as pd
import numpy as np
import matplotlib as mpl

df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0) 

[2]:
字符串整数浮点数
第一行亚当11,123
第二行迈克31.000,230

使用 Styler 来操纵显示是一个有用的功能，因为保持索引和数据值用于其他目的可以更好地控制。您不必覆盖 DataFrame 以按照您喜欢的方式显示它。以下是一个更全面的示例，展示了在仍依赖底层数据进行索引和计算的情况下使用格式化函数。

[3]: 

weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])

def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"

def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler

weather_df 

[3]:
东京北京
2021-01-012.5525171.976602
2021-01-021.6657533.757927
2021-01-034.6798822.242228
2021-01-041.2685920.915911
2021-01-050.2583864.647607
2021-01-061.2792954.642458
2021-01-070.5604873.670073
2021-01-080.9804231.026641
2021-01-091.4716641.384219
2021-01-104.6177664.251794
[4]: 

weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) 

[4]:

天气状况

东京北京
星期一干燥干燥
星期二干燥大雨
星期三干燥大雨
星期四干燥大雨
星期五干燥干燥

隐藏数据

索引和列标题可以完全隐藏，也可以选择要排除的行或列。这两个选项都使用相同的方法执行。

可以通过调用.hide()而不带任何参数来隐藏索引的渲染，如果您的索引是基于整数的，这可能很有用。类似地，可以通过调用.hide(axis=”columns”)而不带任何其他参数来隐藏列标题。

可以通过调用相同的.hide()方法并将行/列标签、类似列表或行/列标签的切片传递给subset参数来隐藏渲染中的特定行或列。

隐藏不会改变 CSS 类的整数排列，例如，隐藏数据框的前两列意味着列类索引仍将从col2开始，因为col0和col1将被简单忽略。

[5]: 

df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1) 

[5]:
13
10.561440-0.858225
30.1762550.876609

要将功能反转为显示功能，最佳做法是组成一个隐藏项目列表。

[6]: 

show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1) 

[6]:
024
0-0.056334-1.1889820.482870
2-0.718731-0.499113-1.350023
4-0.7201691.225336-0.512159

连接数据框输出

两个或更多的样式化对象可以连接在一起，前提是它们共享相同的列。这对于显示数据框的摘要统计信息非常有用，并经常与 DataFrame.agg 结合使用。

由于连接的对象是样式化的，它们可以独立进行样式设置，如下所示，它们的连接保留了这些样式。

[7]: 

summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler) 

[7]:
01234
0-0.10.8-1.20.30.5
10.50.60.1-0.90.9
2-0.7-0.8-0.50.2-1.4
32.20.20.90.90.1
4-0.7-1.01.2-0.5-0.5
总和1.179-0.2130.506-0.082-0.430
平均值0.236-0.0430.101-0.016-0.086

格式化数值

Styler 区分显示值和实际值，无论是数据值还是索引或列标题。要控制显示值，文本将作为字符串打印在每个单元格中，我们可以使用.format()和.format_index()方法根据格式规范字符串或一个接受单个值并返回一个字符串的可调用对象来操作这一点。可以为整个表格、索引或单独的列或多级索引级别定义这一点。我们还可以覆盖索引名称。

此外，格式函数具有精度参数，专门用于格式化浮点数，以及小数和千位分隔符以支持其他语言环境，一个na_rep参数用于显示缺失数据，以及一个escape和hyperlinks参数用于帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，如styler.format.precision选项，可使用with pd.option_context('format.precision', 2):进行控制。

[2]: 

import pandas as pd
import numpy as np
import matplotlib as mpl

df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0) 

[2]:
STRINGSINTSFLOATS
row 1Adam11,123
row 2Mike31.000,230

使用 Styler 来操纵显示是一个有用的功能，因为保留索引和数据值以供其他目的使用可以更好地控制。您不必覆盖 DataFrame 以按照您喜欢的方式显示它。以下是一个更全面的示例，展示了在仍依赖底层数据进行索引和计算的情况下使用格式化函数的更多示例。

[3]: 

weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])

def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"

def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler

weather_df 

[3]:
TokyoBeijing
2021-01-012.5525171.976602
2021-01-021.6657533.757927
2021-01-034.6798822.242228
2021-01-041.2685920.915911
2021-01-050.2583864.647607
2021-01-061.2792954.642458
2021-01-070.5604873.670073
2021-01-080.9804231.026641
2021-01-091.4716641.384219
2021-01-104.6177664.251794
[4]: 

weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) 

[4]:

天气状况

TokyoBeijing
MondayDryDry
TuesdayDryHeavy Rain
WednesdayDryHeavy Rain
ThursdayDryHeavy Rain
FridayDryDry

隐藏数据

索引和列标题可以完全隐藏，也可以选择要排除的行或列。这两个选项使用相同的方法执行。

可以通过调用.hide()而不带任何参数来隐藏索引的呈现，如果您的索引是基于整数的，这可能很有用。同样，通过调用.hide(axis=”columns”)而不带任何其他参数来隐藏列标题。

可以通过调用相同的.hide()方法并传递行/列标签、类似列表或行/列标签的切片来隐藏特定行或列以进行呈现。

隐藏不会改变 CSS 类的整数排列，例如，隐藏 DataFrame 的前两列意味着列类索引仍将从col2开始，因为col0和col1将被简单忽略。

[5]: 

df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1) 

[5]:
13
10.561440-0.858225
30.1762550.876609

要将功能反转为显示功能，最佳实践是组成一个隐藏项目列表。

[6]: 

show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1) 

[6]:
024
0-0.056334-1.1889820.482870
2-0.718731-0.499113-1.350023
4-0.7201691.225336-0.512159

连接 DataFrame 输出

两个或更多的 Stylers 可以连接在一起，前提是它们共享相同的列。这对于显示 DataFrame 的摘要统计信息非常有用，并经常与 DataFrame.agg 结合使用。

由于连接的对象是 Stylers，它们可以独立进行样式设置，如下所示，它们的连接保留了这些样式。

[7]: 

summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler) 

[7]:
01234
0-0.10.8-1.20.30.5
10.50.60.1-0.90.9
2-0.7-0.8-0.50.2-1.4
32.20.20.90.90.1
4-0.7-1.01.2-0.5-0.5
总和1.179-0.2130.506-0.082-0.430
平均值0.236-0.0430.101-0.016-0.086

Styler 对象和 HTML

Styler 最初是为了支持各种 HTML 格式选项而构建的。其 HTML 输出创建了一个 HTML <table>，并利用 CSS 样式语言来操纵许多参数，包括颜色、字体、边框、背景等。查看这里以获取有关样式化 HTML 表格的更多信息。这使得在开箱即用的情况下具有很大的灵活性，甚至使 Web 开发人员能够将 DataFrame 集成到其现有用户界面设计中。

下面我们展示了默认输出，看起来非常类似于标准的 DataFrame HTML 表示。但是这里的 HTML 已经为每个单元格附加了一些 CSS 类，即使我们还没有创建任何样式。我们可以通过调用.to_html()方法来查看这些，该方法返回原始 HTML 字符串，这对于进一步处理或添加到文件中非常有用 - 请继续阅读有关 CSS 和 HTML 的更多信息。本节还将提供如何将此默认输出转换为更具沟通性的 DataFrame 输出的演示。例如，我们如何构建 s：

[8]: 

df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]],
                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'),
                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:']))
df.style 

[8]:
模型:决策树回归随机
预测值:肿瘤非肿瘤肿瘤
————
实际标签:
————
肿瘤 (阳性)38.0000002.00000018.000000
非肿瘤 (阴性)19.000000439.0000006.000000
[10]: 

s 

[10]:

多个癌症预测模型的混淆矩阵。

模型:决策树回归
预测值:肿瘤非肿瘤
———
实际标签:
———
肿瘤 (阳性)382
非肿瘤 (阴性)19439

我们采取的第一步是从 DataFrame 创建 Styler 对象，然后通过.hide()隐藏不需要的列来选择感兴趣的范围。

[11]: 

s = df.style.format('{:.0f}').hide([('Random', 'Tumour'), ('Random', 'Non-Tumour')], axis="columns")
s 

[11]:
模型:决策树回归
预测:肿瘤非肿瘤
———
实际标签:
———
肿瘤（阳性）382
非肿瘤（阴性）19439

添加样式的方法

有3 种主要方法可以添加自定义 CSS 样式到 Styler：

  • 使用.set_table_styles()来控制具有指定内部 CSS 的表格的更广泛区域。虽然表格样式允许灵活添加 CSS 选择器和属性来控制表格的所有各个部分，但对于单个单元格的规范来说，它们是笨重的。另外，请注意表格样式无法导出到 Excel。

  • 使用.set_td_classes()直接将外部 CSS 类链接到数据单元格，或将由.set_table_styles()创建的内部 CSS 类链接到数据单元格。请参见这里。这些不能用于列标题行或索引，也不会导出到 Excel。

  • 使用.apply()和.map()函数来向特定数据单元格直接添加内部 CSS。请参见这里。从 v1.4.0 开始，还有直接作用于列标题行或索引的方法；.apply_index()和.map_index()。请注意，只有这些方法添加的样式才会导出到 Excel。这些方法的工作方式类似于 DataFrame.apply()和 DataFrame.map()。

表格样式

表格样式足够灵活，可以控制表格的所有各个部分，包括列标题和索引。然而，它们可能对于输入单个数据单元格或任何类型的条件格式化来说过于笨重，因此我们建议表格样式用于广泛的样式设置，例如一次性整行或整列。

表格样式还用于控制可以一次应用于整个表格的功能，例如创建通用的悬停功能。:hover伪选择器以及其他伪选择器只能以这种方式使用。

为了复制 CSS 选择器和属性（属性值对）的正常格式，例如

tr:hover {
  background-color: #ffff99;
}

传递样式到.set_table_styles()的必要格式是一个包含 CSS 选择器标签和 CSS 属性的字典列表。属性可以是一个 2 元组的列表，也可以是一个常规的 CSS 字符串，例如：

[13]: 

cell_hover = {  # for row hover use <tr> instead of <td>
    'selector': 'td:hover',
    'props': [('background-color', '#ffffb3')]
}
index_names = {
    'selector': '.index_name',
    'props': 'font-style: italic; color: darkgrey; font-weight:normal;'
}
headers = {
    'selector': 'th:not(.index_name)',
    'props': 'background-color: #000066; color: white;'
}
s.set_table_styles([cell_hover, index_names, headers]) 

[13]:
模型：决策树回归
预测值：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

接下来，我们只需添加几个针对表格特定部分的样式化元素。在这里要小心，因为我们正在链接方法，我们需要明确指示方法不要覆盖现有样式。

[15]: 

s.set_table_styles([
    {'selector': 'th.col_heading', 'props': 'text-align: center;'},
    {'selector': 'th.col_heading.level0', 'props': 'font-size: 1.5em;'},
    {'selector': 'td', 'props': 'text-align: center; font-weight: bold;'},
], overwrite=False) 

[15]:
模型：决策树回归
预测值：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

作为一个便利方法（自版本 1.2.0 起），我们还可以向.set_table_styles()传递一个字典，其中包含行或列键。在幕后，Styler 只是索引这些键，并根据需要向给定的 CSS 选择器添加相关的.col<m>或.row<n>类。

[17]: 

s.set_table_styles({
    ('Regression', 'Tumour'): [{'selector': 'th', 'props': 'border-left: 1px solid white'},
                               {'selector': 'td', 'props': 'border-left: 1px solid #000066'}]
}, overwrite=False, axis=0) 

[17]:
模型：决策树回归
预测值：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

设置类和链接到外部 CSS

如果您设计过网站，那么您很可能已经有一个控制其中表格和单元格对象样式的外部 CSS 文件。您可能希望使用这些原生文件，而不是在 Python 中重复所有 CSS（以及重复任何维护工作）。

表属性

通过.set_table_attributes()很容易向主<table>添加一个class。这个方法还可以附加内联样式 - 在 CSS 层次结构中了解更多。

[19]: 

out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109]) 

<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

数据单元格 CSS 类

版本 1.2.0 中的新功能

.set_td_classes()方法接受一个与底层 Styler 的 DataFrame 匹配的 DataFrame。该 DataFrame 将包含作为 css 类添加到单个数据单元格的<td>元素的字符串：<table>。我们将内部创建我们的类，将它们添加到表格样式中。我们将在工具提示部分保存添加边框。

[20]: 

s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color) 

[20]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

表格属性

使用 .set_table_attributes() 非常容易向主 <table> 添加一个 class。此方法还可以附加内联样式 - 请在 CSS 层次结构 中阅读更多。

[19]: 

out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109]) 

<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

数据单元 CSS 类

版本 1.2.0 中的新功能

.set_td_classes() 方法接受一个与底层 Styler 的 DataFrame 具有匹配索引和列的 DataFrame。该 DataFrame 将包含字符串作为要添加到单个数据单元的 css 类的类：<table> 的 <td> 元素。我们将不使用外部 CSS，而是在内部创建我们的类并将它们添加到表格样式中。我们将保存添加边框的工作，直到 工具提示部分。

[20]: 

s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color) 

[20]:
模型：决策树回归
预测：肿瘤非肿瘤
———
实际标签：
———
肿瘤（阳性）382
非肿瘤（阴性）19439

Styler 函数

数据处理

我们使用以下方法来传递您的样式函数。这两种方法都接受一个函数（以及一些其他关键字参数），并以某种方式将其应用于 DataFrame，从而呈现 CSS 样式。

  • .map()（逐元素）：接受一个函数，该函数接受一个值，并返回一个带有 CSS 属性-值对的字符串。

  • .apply()（列 / 行 / 表格）：接受一个函数，该函数接受一个 Series 或 DataFrame，并返回一个形状相同的 Series、DataFrame 或 numpy 数组，其中每个元素都是带有 CSS 属性-值对的字符串。此方法逐个列或行传递您的 DataFrame，或者一次传递整个表格，具体取决于 axis 关键字参数。对于列向使用 axis=0，对于行向使用 axis=1，对于整个表格同时使用 axis=None。

此方法适用于对数据单元应用多个复杂逻辑。我们创建一个新的 DataFrame 来演示这一点。

[22]: 

np.random.seed(0)
df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D'])
df2.style 

[22]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

例如，我们可以构建一个函数，如果文本为负数则着色，并将其与一个部分淡化微不足道值的单元格的函数链接起来。由于这是逐个元素处理的，我们使用map。

[23]: 

def style_negative(v, props=''):
    return props if v < 0 else None
s2 = df2.style.map(style_negative, props='color:red;')\
              .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)
s2 

[23]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

我们还可以构建一个函数，一次性突出显示行、列和 DataFrame 中的最大值。在这种情况下，我们使用apply。下面我们突出显示了一列中的最大值。

[25]: 

def highlight_max(s, props=''):
    return np.where(s == np.nanmax(s.values), props, '')
s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0) 

[25]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

我们可以在不同的轴上使用相同的函数，这里突出显示了 DataFrame 中的最大值为紫色，行最大值为粉色。

[27]: 

s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
  .apply(highlight_max, props='color:white;background-color:purple', axis=None) 

[27]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303

这个最后的例子展示了一些样式被其他样式覆盖的情况。一般来说，最近应用的样式是有效的，但你可以在 CSS 层级结构部分了解更多。你也可以将这些样式应用于 DataFrame 的更细粒度部分 - 在子集切片部分了解更多。

也可以仅使用类来复制部分此功能，但可能会更加繁琐。参见优化的第 3 条。

调试提示：如果您在编写样式函数时遇到问题，请尝试将其直接传递给DataFrame.apply。在内部，Styler.apply使用DataFrame.apply，因此结果应该是相同的，并且使用DataFrame.apply，您将能够检查每个单元格中预期函数的 CSS 字符串输出。

作用于索引和列标题

通过使用以下方式实现标题的类似应用：

  • .map_index()（逐元素）：接受一个接受单个值并返回带有 CSS 属性-值对的字符串的函数。

  • .apply_index()（逐级）：接受一个接受 Series 并返回一个具有相同形状的 Series 或 numpy 数组的函数，其中每个元素都是带有 CSS 属性-值对的字符串。此方法逐个传递您的索引级别。要样式化索引，请使用axis=0，要样式化列标题，请使用axis=1。

您可以选择MultiIndex的level，但目前这些方法没有类似的subset应用程序。

[29]: 

s2.map_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0)
s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1) 

[29]:
ABCD
01.7640520.4001570.9787382.240893
11.867558-0.9772780.950088-0.151357
2-0.1032190.4105990.1440441.454274
30.7610380.1216750.4438630.333674
41.494079-0.2051580.313068-0.854096
5-2.5529900.6536190.864436-0.742165
62.269755-1.4543660.045759-0.187184
71.5327791.4693590.1549470.378163
8-0.887786-1.980796-0.3479120.156349
91.2302911.202380-0.387327-0.302303
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值