Điều gì sẽ hiển thị 10 hàng cuối cùng của tập dữ liệu trong Python?

Nếu bạn đang phát triển trong lĩnh vực khoa học dữ liệu và chuyển từ phân tích dựa trên excel sang thế giới của Python, tập lệnh và phân tích tự động, thì bạn sẽ bắt gặp thư viện quản lý dữ liệu cực kỳ phổ biến, “Pandas” trong Python. Quá trình phát triển Pandas bắt đầu vào năm 2008 với nhà phát triển chính Wes McKinney và thư viện đã trở thành một tiêu chuẩn để phân tích và quản lý dữ liệu bằng Python. Sự thông thạo của Pandas là điều cần thiết đối với bất kỳ chuyên gia dữ liệu dựa trên Python nào, những người muốn thử thách Kaggle hoặc bất kỳ ai đang tìm cách tự động hóa quy trình dữ liệu

Mục đích của bài đăng này là giúp những người mới bắt đầu nắm bắt được định dạng dữ liệu cơ bản cho Pandas - DataFrame. Chúng tôi sẽ xem xét các phương pháp cơ bản để tạo khung dữ liệu, DataFrame thực sự là gì, đổi tên và xóa các cột và hàng của khung dữ liệu cũng như nơi tiếp theo để nâng cao kỹ năng của bạn

Các chủ đề trong bài đăng này sẽ cho phép bạn [hy vọng]

1. Tải dữ liệu của bạn từ một tệp vào Khung dữ liệu Python Pandas,
2. Kiểm tra các số liệu thống kê cơ bản của dữ liệu,
3. Thay đổi một số giá trị,
4. Cuối cùng xuất kết quả ra file mới

Khung dữ liệu Python Pandas là gì?

Tài liệu thư viện Pandas định nghĩa DataFrame là “cấu trúc dữ liệu dạng bảng hai chiều, có thể thay đổi kích thước, có khả năng không đồng nhất với các trục được gắn nhãn [hàng và cột]”. Nói một cách đơn giản, hãy nghĩ về DataFrame dưới dạng bảng dữ liệu, tôi. e. một tập hợp dữ liệu hai chiều được định dạng, với các đặc điểm sau

• Có thể có nhiều hàng và cột trong dữ liệu
• Mỗi hàng đại diện cho một mẫu dữ liệu,
• Mỗi cột chứa một biến khác nhau mô tả các mẫu [hàng]
• Dữ liệu trong mỗi cột thường là cùng một loại dữ liệu – e. g. số, chuỗi, ngày tháng
• Thông thường, không giống như tập dữ liệu excel, DataFrames tránh bị thiếu giá trị và không có khoảng trống và giá trị trống giữa các hàng hoặc cột

Ví dụ: các bộ dữ liệu sau đây sẽ phù hợp tốt trong Khung dữ liệu Pandas

• Trong Khung dữ liệu của hệ thống trường học - mỗi hàng có thể đại diện cho một học sinh trong trường và các cột có thể đại diện cho tên học sinh [chuỗi], tuổi [số], ngày sinh [ngày] và địa chỉ [chuỗi]
• Trong Khung dữ liệu kinh tế, mỗi hàng có thể đại diện cho một thành phố hoặc khu vực địa lý và các cột có thể bao gồm tên của khu vực [chuỗi], dân số [số], tuổi trung bình của dân số [số], số hộ gia đình [
• Trong DataFrame của cửa hàng hoặc hệ thống thương mại điện tử, mỗi hàng trong DataFrame có thể được sử dụng để đại diện cho một khách hàng, trong đó có các cột cho số lượng mặt hàng đã mua [số], ngày đăng ký ban đầu [ngày] và thẻ tín dụng

Tạo khung dữ liệu Pandas

Chúng tôi sẽ kiểm tra hai phương pháp để tạo DataFrame - theo cách thủ công và từ các tệp giá trị được phân tách bằng dấu phẩy [CSV]

Nhập liệu thủ công

Bắt đầu mọi dự án khoa học dữ liệu sẽ bao gồm việc đưa dữ liệu hữu ích vào môi trường phân tích, trong trường hợp này là Python. Có nhiều cách để tạo DataFrames của dữ liệu trong Python và cách đơn giản nhất là nhập dữ liệu vào Python theo cách thủ công, cách này rõ ràng chỉ hoạt động đối với các bộ dữ liệu nhỏ

Sử dụng từ điển và danh sách Python để tạo DataFrames chỉ hoạt động đối với các tập dữ liệu nhỏ mà bạn có thể nhập thủ công. Có nhiều cách khác để định dạng dữ liệu được nhập thủ công mà bạn có thể xem tại đây

Lưu ý rằng quy ước là tải thư viện Pandas dưới dạng 'pd' [

data['Item Code'].astype[str]

3]. Bạn sẽ thấy ký hiệu này được sử dụng thường xuyên trực tuyến và trong Kaggle kernel

Đang tải dữ liệu CSV vào Pandas

Việc tạo DataFrames từ các tệp CSV [giá trị được phân tách bằng dấu phẩy] được thực hiện cực kỳ đơn giản với hàm read_csv[] trong Pandas, sau khi bạn biết đường dẫn đến tệp của mình. Tệp CSV là một tệp văn bản chứa dữ liệu ở dạng bảng, trong đó các cột được phân tách bằng ký tự dấu phẩy ',' và các hàng nằm trên các dòng riêng biệt [xem tại đây]

Nếu dữ liệu của bạn ở một số dạng khác, chẳng hạn như cơ sở dữ liệu SQL hoặc tệp Excel [XLS/XLSX], bạn có thể xem các chức năng khác để đọc từ các nguồn này vào DataFrames, cụ thể là read_xlsx, read_sql. Tuy nhiên, để đơn giản, đôi khi trích xuất dữ liệu trực tiếp sang CSV và sử dụng dữ liệu đó sẽ tốt hơn

Trong ví dụ này, chúng tôi sẽ tải dữ liệu Sản xuất lương thực toàn cầu từ tệp CSV được tải xuống từ trang web cạnh tranh Khoa học dữ liệu, Kaggle. Bạn có thể tải xuống tệp CSV từ Kaggle hoặc trực tiếp từ đây. Dữ liệu được định dạng độc đáo và ban đầu bạn có thể mở nó trong Excel để xem trước

Dữ liệu mẫu cho bài đăng này bao gồm thông tin sản xuất lương thực toàn cầu kéo dài từ năm 1961 đến 2013. Ở đây tệp CSV được kiểm tra trong Microsoft Excel

Dữ liệu mẫu chứa 21.478 hàng dữ liệu, với mỗi hàng tương ứng với một nguồn thực phẩm từ một quốc gia cụ thể. 10 cột đầu tiên biểu thị thông tin về quốc gia mẫu và loại thực phẩm/thức ăn chăn nuôi, và các cột còn lại biểu thị sản lượng lương thực hàng năm từ 1963 – 2013 [tổng cộng 63 cột]

Nếu bạn chưa cài đặt Python/Pandas, tôi khuyên bạn nên thiết lập Anaconda hoặc WinPython [đây là các gói hoặc bản phân phối có thể tải xuống chứa Python được cài đặt sẵn các thư viện hàng đầu] và sử dụng sổ ghi chép Jupyter [sổ tay cho phép bạn sử dụng Python trong . Một số hướng dẫn cài đặt ở đây

Tải tệp vào sổ làm việc Python của bạn bằng hàm Pandas read_csv như vậy

Tải tệp CSV vào Python để tạo Pandas Dataframes bằng hàm read_csv. Những người mới bắt đầu thường vấp phải các đường dẫn – hãy đảm bảo rằng tệp của bạn nằm trong cùng thư mục mà bạn đang làm việc hoặc chỉ định đường dẫn đầy đủ tại đây [nó sẽ bắt đầu bằng C. / nếu bạn đang sử dụng Windows]

Nếu bạn gặp sự cố về đường dẫn hoặc tên tệp, bạn sẽ thấy các ngoại lệ FileNotFoundError như thế này

FileNotFoundError: File b'//c8j9w8r3.rocketcdn.me/some/directory/on/your/system/FAO+database.csv' does not exist

Xem trước và kiểm tra dữ liệu trong Pandas DataFrame

Khi bạn có dữ liệu trong Python, bạn sẽ muốn xem dữ liệu đã được tải và xác nhận rằng các cột và hàng dự kiến ​​​​đã có mặt

In dữ liệu

Nếu bạn đang sử dụng sổ ghi chép Jupyter, kết quả đầu ra chỉ cần nhập tên của khung dữ liệu sẽ dẫn đến kết quả đầu ra được định dạng đẹp mắt. In là một cách thuận tiện để xem trước dữ liệu đã tải của bạn, bạn có thể xác nhận rằng tên cột đã được nhập chính xác, định dạng dữ liệu như mong đợi và liệu có thiếu giá trị ở bất kỳ đâu không

Trong sổ ghi chép Jupyter, chỉ cần nhập tên của khung dữ liệu sẽ dẫn đến kết quả đầu ra được định dạng gọn gàng. Đây là một cách tuyệt vời để xem trước dữ liệu, tuy nhiên lưu ý rằng, theo mặc định, chỉ có 100 hàng và 20 cột sẽ được in.

Bạn sẽ nhận thấy rằng Pandas chỉ hiển thị 20 cột theo mặc định cho các khung dữ liệu rộng và chỉ có 60 hàng hoặc hơn, cắt bớt phần ở giữa. Nếu muốn thay đổi các giới hạn này, bạn có thể chỉnh sửa các giá trị mặc định bằng cách sử dụng một số tùy chọn nội bộ cho màn hình Pandas [chỉ cần sử dụng

data['Item Code'].astype[str]

4 để đặt các giới hạn này]

• pd. tùy chọn. trưng bày. chiều rộng – chiều rộng của màn hình tính bằng ký tự – sử dụng giá trị này nếu màn hình của bạn bao quanh các hàng trên nhiều dòng
• pd. tùy chọn. trưng bày. max_rows – số hàng tối đa được hiển thị
• pd. tùy chọn. trưng bày. max_columns – số lượng cột hiển thị tối đa

Bạn có thể xem toàn bộ các tùy chọn có sẵn trong tài liệu cài đặt và tùy chọn chính thức của Pandas

Các hàng và cột DataFrame với. hình dạng

Lệnh shape cung cấp thông tin về kích thước tập dữ liệu – 'shape' trả về một bộ có số hàng và số cột cho dữ liệu trong DataFrame. Một thuộc tính mô tả khác là 'ndim' cung cấp số thứ nguyên trong dữ liệu của bạn, thường là 2

Lấy hình dạng của Khung dữ liệu của bạn - số lượng hàng và cột bằng cách sử dụng. hình dạng và số lượng kích thước bằng cách sử dụng. đim

Dữ liệu sản xuất thực phẩm của chúng tôi chứa 21.477 hàng, mỗi hàng có 63 cột như kết quả đầu ra của. hình dạng. Chúng ta có hai chiều – tôi. e. khung dữ liệu 2D có chiều cao và chiều rộng. Nếu dữ liệu của bạn chỉ có một cột, ndim sẽ trả về 1. Các tập dữ liệu có nhiều hơn hai chiều trong Pandas từng được gọi là Bảng điều khiển, nhưng các định dạng này đã không còn được dùng nữa. Phương pháp đề xuất cho dữ liệu đa chiều [>2] là sử dụng thư viện Xarray Python

Xem trước DataFrames với head[] và tail[]

khung dữ liệu. Hàm head[] trong Pandas, theo mặc định, hiển thị cho bạn 5 hàng dữ liệu hàng đầu trong DataFrame. Ngược lại là DataFrame. tail[], cung cấp cho bạn 5 hàng cuối cùng

Nhập một số và Pandas sẽ in ra số lượng hàng đã chỉ định như trong ví dụ bên dưới. Head[] và Tail[] cần phải là những phần cốt lõi của các chức năng Python Pandas của bạn để điều tra bộ dữ liệu của bạn

5 hàng đầu tiên của DataFrame được hiển thị theo head[], 5 hàng cuối cùng theo tail[]. Đối với số lượng hàng khác – chỉ cần chỉ định số lượng bạn muốn

Trong ví dụ của chúng tôi ở đây, bạn có thể thấy một tập hợp con các cột trong dữ liệu vì có tổng cộng hơn 20 cột

Kiểu dữ liệu [dtypes] của cột

Nhiều DataFrames có các loại dữ liệu hỗn hợp, nghĩa là, một số cột là số, một số là chuỗi và một số là ngày, v.v. Bên trong, các tệp CSV không chứa thông tin về loại dữ liệu nào được chứa trong mỗi cột; . Pandas suy ra các loại dữ liệu khi tải dữ liệu, e. g. nếu một cột chỉ chứa số, gấu trúc sẽ đặt kiểu dữ liệu của cột đó thành số. số nguyên hoặc float

Bạn có thể kiểm tra loại của từng cột trong ví dụ của chúng tôi bằng lệnh ‘. thuộc tính dtypes của khung dữ liệu

Xem các loại dữ liệu của từng cột trong khung dữ liệu của bạn bằng cách sử dụng. thuộc tính dtypes. Lưu ý rằng các cột ký tự/chuỗi xuất hiện dưới dạng kiểu dữ liệu 'đối tượng'

Trong một số trường hợp, việc tự động suy luận các loại dữ liệu có thể mang lại kết quả không mong muốn. Lưu ý rằng các chuỗi được tải dưới dạng kiểu dữ liệu 'đối tượng', vì về mặt kỹ thuật, DataFrame giữ một con trỏ tới dữ liệu chuỗi ở nơi khác trong bộ nhớ. Hành vi này được mong đợi và có thể bỏ qua

Để thay đổi kiểu dữ liệu của một cột cụ thể, hãy sử dụng. hàm astype[]. Ví dụ: để xem cột 'Mã hàng' dưới dạng một chuỗi, hãy sử dụng

data['Item Code'].astype[str]

Mô tả dữ liệu với. diễn tả[]

Cuối cùng, để xem một số thống kê cốt lõi về một cột cụ thể, bạn có thể sử dụng chức năng ' mô tả '

• Đối với các cột số, description[] trả về số liệu thống kê cơ bản. số lượng giá trị, giá trị trung bình, độ lệch chuẩn, tối thiểu, tối đa và phân vị thứ 25, 50 và 75 cho dữ liệu trong một cột
• Đối với các cột chuỗi, description[] trả về số lượng giá trị, số lượng mục nhập duy nhất, giá trị xuất hiện thường xuyên nhất ['top'] và số lần giá trị hàng đầu xuất hiện ['freq']

Chọn một cột để mô tả bằng cách sử dụng một chuỗi bên trong dấu ngoặc nhọn [] và gọi description[] như sau

Sử dụng chức năng mô tả [] để nhận số liệu thống kê cơ bản về các cột trong Khung dữ liệu Pandas của bạn. Lưu ý sự khác biệt giữa các cột có kiểu dữ liệu số và các cột có chuỗi và ký tự

Lưu ý rằng nếu description được gọi trên toàn bộ DataFrame, thì số liệu thống kê chỉ dành cho các cột có kiểu dữ liệu số được trả về và ở định dạng DataFrame

Việc mô tả một khung dữ liệu đầy đủ chỉ cung cấp số liệu thống kê tóm tắt cho các cột số và định dạng trả về là một Khung dữ liệu khác

Chọn và thao tác dữ liệu

Các phương pháp lựa chọn dữ liệu cho Pandas rất linh hoạt. Trong một bài đăng khác trên trang web này, tôi đã viết rất nhiều về các phương pháp lựa chọn cốt lõi trong Pandas – cụ thể là iloc và loc. Để biết thông tin chi tiết và để lựa chọn chính, hãy nhớ đọc bài đăng đó. Đối với ví dụ này, chúng ta sẽ xem xét phương pháp cơ bản để chọn cột và hàng

Chọn cột

Có ba phương pháp chọn cột chính trong pandas

• sử dụng ký hiệu dấu chấm, e. g.

  data['Item Code'].astype[str]

  0,
• sử dụng dấu ngoặc vuông và tên của cột dưới dạng chuỗi, e. g.

  data['Item Code'].astype[str]

  1
• hoặc sử dụng lập chỉ mục số và bộ chọn iloc

  data['Item Code'].astype[str]

  2

Ba phương pháp chính để chọn cột từ khung dữ liệu trong gấu trúc - sử dụng ký hiệu dấu chấm, dấu ngoặc vuông hoặc phương thức iloc. Theo tôi, dấu ngoặc vuông với phương thức tên cột là lỗi ít xảy ra nhất

Khi một cột được chọn bằng bất kỳ phương pháp nào trong số những phương pháp này, pandas. Sê-ri là kiểu dữ liệu kết quả. Chuỗi pandas là tập hợp dữ liệu một chiều. Thật hữu ích khi biết các thao tác cơ bản có thể được thực hiện trên Chuỗi dữ liệu này, bao gồm tính tổng [

data['Item Code'].astype[str]

3], tính trung bình [

data['Item Code'].astype[str]

4], đếm [

data['Item Code'].astype[str]

5], lấy giá trị trung bình [

data['Item Code'].astype[str]

6] và thay thế các giá trị bị thiếu [

data['Item Code'].astype[str]

7]

data['Item Code'].astype[str]

0

Việc chọn nhiều cột cùng lúc sẽ trích xuất một Khung dữ liệu mới từ Khung dữ liệu hiện có của bạn. Để chọn nhiều cột, cú pháp là

• lựa chọn dấu ngoặc vuông với danh sách tên cột, e. g.

  data['Item Code'].astype[str]

  8
• sử dụng lập chỉ mục số với bộ chọn iloc và danh sách các số cột, e. g.

  data['Item Code'].astype[str]

  9

Chọn hàng

Thông thường, các hàng trong DataFrame được chọn bằng cách sử dụng các phương pháp chọn iloc/loc hoặc sử dụng các bộ chọn logic [lựa chọn dựa trên giá trị của một cột hoặc biến khác]

Các phương pháp cơ bản để có được cái đầu của bạn xung quanh là

• lựa chọn hàng số bằng cách sử dụng bộ chọn iloc, e. g.

  data['Item Code'].astype[str]

  00 – chọn 10 hàng đầu tiên
• lựa chọn hàng dựa trên nhãn bằng cách sử dụng bộ chọn vị trí [điều này chỉ áp dụng nếu bạn đã đặt "chỉ mục" trên khung dữ liệu của mình. e. g.

  data['Item Code'].astype[str]

  01
• lựa chọn hàng dựa trên logic bằng cách sử dụng các câu lệnh được đánh giá, e. g.

  data['Item Code'].astype[str]

  02 – chọn các hàng có giá trị Diện tích là 'Ireland'

Lưu ý rằng bạn có thể kết hợp các phương pháp lựa chọn cho các cột và hàng theo nhiều cách để đạt được lựa chọn trong mơ của mình. Chi tiết tham khảo bài viết “Sử dụng iloc, loc, ix để chọn và lập chỉ mục dữ liệu“

Tóm tắt các phương pháp iloc và loc được thảo luận trong bài đăng trên blog về lựa chọn iloc và loc. iloc và loc là các hoạt động để truy xuất dữ liệu từ Pandas dataframes

Xóa hàng và cột [thả]

Để xóa các hàng và cột khỏi DataFrames, Pandas sử dụng chức năng "thả"

Để xóa một cột hoặc nhiều cột, hãy sử dụng tên của [các] cột và chỉ định "trục" là 1. Ngoài ra, như trong ví dụ bên dưới, tham số 'cột' đã được thêm vào Pandas để loại bỏ nhu cầu về 'trục'. Hàm thả trả về một Khung dữ liệu mới, với các cột đã bị xóa. Để thực sự chỉnh sửa DataFrame ban đầu, tham số “tại chỗ” có thể được đặt thành True và không có giá trị trả về

data['Item Code'].astype[str]

6

Các hàng cũng có thể được xóa bằng chức năng “thả”, bằng cách chỉ định axis=0. Drop[] xóa các hàng dựa trên “nhãn”, thay vì lập chỉ mục số. Để xóa các hàng dựa trên vị trí số/chỉ mục của chúng, hãy sử dụng iloc để gán lại các giá trị khung dữ liệu, như trong các ví dụ bên dưới

Hàm drop[] trong Pandas được sử dụng để xóa các hàng khỏi DataFrame, với trục được đặt thành 0. Như trước đây, tham số inplace có thể được sử dụng để thay đổi DataFrames mà không cần gán lại

data['Item Code'].astype[str]

7

Đổi tên cột

Dễ dàng đổi tên cột trong Pandas bằng chức năng đổi tên DataFrame. Chức năng đổi tên dễ sử dụng và khá linh hoạt. Đổi tên cột theo hai cách này

• Đổi tên bằng cách ánh xạ tên cũ sang tên mới bằng cách sử dụng từ điển, có dạng {“old_column_name”. “tên_cột_mới”, …}
• Đổi tên bằng cách cung cấp chức năng thay đổi tên cột với. Các chức năng được áp dụng cho mọi tên cột

data['Item Code'].astype[str]

8

Trong nhiều trường hợp, tôi sử dụng chức năng sắp xếp gọn gàng cho các tên cột để đảm bảo định dạng chữ thường, tiêu chuẩn cho các tên biến. Khi tải dữ liệu từ các tập dữ liệu có khả năng phi cấu trúc, có thể hữu ích khi xóa khoảng trắng và viết thường tất cả các tên cột bằng cách sử dụng hàm lambda [ẩn danh]

data['Item Code'].astype[str]

9

Xuất và lưu khung dữ liệu Pandas

Sau khi thao tác hoặc tính toán, lưu dữ liệu của bạn trở lại CSV là bước tiếp theo. Xuất dữ liệu trong Pandas đơn giản như tải dữ liệu

Hai hàm bạn cần biết là to_csv để ghi DataFrame vào tệp CSV, và to_excel để ghi thông tin DataFrame vào tệp Microsoft Excel

data['Item Code'].astype[str]

0

Các chức năng hữu ích bổ sung

Nhóm và tổng hợp dữ liệu

Ngay khi bạn tải dữ liệu, bạn sẽ muốn nhóm dữ liệu đó theo giá trị này hay giá trị khác, sau đó chạy một số phép tính. Có một bài đăng khác trên blog này - Tóm tắt, tổng hợp và nhóm dữ liệu trong Python Pandas, đi sâu vào chi tiết về chủ đề này

Vẽ sơ đồ khung dữ liệu Pandas - Thanh và đường

Có một chức năng vẽ sơ đồ tương đối rộng rãi được tích hợp trong Pandas có thể được sử dụng cho các biểu đồ khám phá – đặc biệt hữu ích trong môi trường máy tính xách tay Jupyter để phân tích dữ liệu

Bạn sẽ cần cài đặt gói vẽ đồ thị matplotlib để tạo đồ họa và _______103 sổ tay 'ma thuật' được kích hoạt cho các đồ thị nội tuyến. Bạn cũng sẽ cần

data['Item Code'].astype[str]

04 để thêm nhãn hình và nhãn trục vào sơ đồ của mình. Một số lượng lớn các chức năng được cung cấp bởi. lệnh plot[] nguyên bản của Pandas

Tạo biểu đồ hiển thị phân phối các giá trị vĩ độ trong tập dữ liệu. Lưu ý rằng “plt” ở đây được nhập từ matplotlib – ‘nhập matplotlib. pyplot dưới dạng plt'

Tạo biểu đồ thanh của các nhà sản xuất thực phẩm hàng đầu với sự kết hợp giữa lựa chọn dữ liệu, nhóm dữ liệu và cuối cùng là biểu đồ bằng cách sử dụng lệnh biểu đồ Pandas DataFrame. Tất cả điều này có thể được tạo ra trong một dòng, nhưng được tách ra ở đây cho rõ ràng

Với đủ sự quan tâm, biểu đồ và trực quan hóa dữ liệu với Pandas là mục tiêu của một bài đăng blog trong tương lai – hãy cho tôi biết trong các nhận xét bên dưới

Để biết thêm thông tin về trực quan hóa với Pandas, hãy đảm bảo bạn xem lại

• Tài liệu chính thức của Pandas về biểu đồ và trực quan hóa dữ liệu
• Vẽ đồ thị đơn giản với Python từ Python kinh doanh thực tế
• Phân tích dữ liệu nhanh và bẩn với gấu trúc từ Machine Learning Mastery

Đi xa hơn

Khi mức sử dụng Pandas của bạn tăng lên, thì các yêu cầu của bạn đối với các khái niệm nâng cao hơn như định hình lại dữ liệu và hợp nhất/kết hợp cũng tăng theo [xem bài đăng trên blog kèm theo. ]. Để bắt đầu, tôi khuyên bạn nên đọc “Gấu trúc hiện đại” gồm 6 phần của Tom Augspurger như một bài đăng trên blog xuất sắc xem xét một số phương pháp thao tác dữ liệu và lập chỉ mục nâng cao hơn có thể thực hiện được.

Làm cách nào bạn có thể hiển thị 5 hàng cuối cùng của DataFrame?

Lệnh nào hiển thị 6 hàng cuối cùng của tập dữ liệu?

Đâu là cú pháp chính xác để hiển thị 10 hàng cuối cùng của ma trận hoặc DataFrame?

Lệnh nào sẽ hiển thị 10 hàng đầu tiên của khung dữ liệu DF?