Flutter插件dartframe的使用_DartFrame 是是一个轻量级且强大的 Dart 库

Flutter插件dartframe的使用_DartFrame 是是一个轻量级且强大的 Dart 库

1. DartFrame 插件介绍

DartFrame 是是一个轻量级且强大的 Dart 库，用于数据处理和分析。 它受到了流行的数据科学工具如 Pandas 的的启发, 提供了 DataFrame 类似结构来处理表格数据, 使得在 Dart 应用程序中可以直接进行数据清洗、分析和转换。

Key Features

• DataFrame 操作

  • 创建 DataFrame: 可以从 CSV 字符串、JSON 字符串或直接从列表和映射创建 DataFrame。
  • 数据探索:
    • head(n): 查看前 n 行。
    • tail(n): 查看最后 n 行。
    • limit(n, index): 从指定索引查看前 n 行。
    • describe(): 生成汇总统计信息。
    • structure(): 显示 DataFrame 的结构和数据类型。
    • shape: 获取 DataFrame 的维度。
    • columns: 访问或修改列名。
    • rows: 访问或修改行标签。
    • valueCounts(column): 获取每个唯一值的频率。
  • 数据清理:
    • 处理缺失值使用 fillna()、replace() 和 缺失值指示器。
    • 重命名列使用 rename()。
    • 删除不需要的列使用 drop()。
    • 根据条件函数过滤行使用 filter()。

• 数据转换

  • 直接添加计算列: df['new_column'] = df['existing_column'] > 30。
  • 分组数据使用 groupBy() 进行聚合洞察。
  • 垂直或水平合并 DataFrames。
  • 添加行标签使用 addRow()。
  • 添加列标签使用 addColumn()。
  • 打乱行使用 shuffle()。

• 分析工具

  • 使用 valueCounts() 获取列值的频率计数。
  • 使用 countZeros() 计算零的数量。
  • 使用 countNulls() 计算缺失值的数量。
  • 直接计算列或分组数据上的统计信息。

• Series 操作

  • Series 对象用于一维数据操作。
  • 执行元素级操作、条件更新和连接。

• 数据 I/O

  • 导入数据从 CSV 或 JSON 格式:

    • DataFrame.fromCSV()
    • DataFrame.fromJson()

  • 导出数据到 JSON 或 CSV 格式:

    • toJSON()

• 可定制和灵活

  • 处理混合数据类型。
  • 可选格式化和清理导入数据。
  • 支持灵活的列结构。

Installation

安装 DartFrame，请将以下内容添加到您的 pubspec.yaml 文件中：

dependencies:
  dartframe: ^0.0.1

然后运行：

dart pub get

Getting Started

Creating a DataFrame

• From CSV

  var csvData = """
  Name,Age,City
  Alice,30,New York
  Bob,25,Los Angeles
  Charlie,35,Chicago
  """;
  
  var df = DataFrame.fromCSV(csv: csvData);
  print(df.head(3));
  

• From JSON

  var jsonData = '''
  [
    {"Name": "Alice", "Age": 30, "City": "New York"},
    {"Name": "Bob", "Age": 25, "City": "Los Angeles"},
    {"Name": "Charlie", "Age": 35, "City": "Chicago"}
  ]
  ''';
  
  var df = DataFrame.fromJson(jsonString: jsonData);
  print(df.describe());
  

• Directly from Lists

  var df = DataFrame(
    columns: ['ID', 'Value'],
    data: [
      [1, 'A'],
      [2, 'B'],
      [3, 'C'],
    ],
  );
  print(df);
  

Example Usage

Data Exploration

print('Columns: ${df.columns}');
print('Shape: ${df.shape}');
print('Head:\n${df.head(5)}');
print('Tail:\n${df.tail(5)}');
print('Summary:\n${df.describe()}');

Data Cleaning

df.fillna('Unknown');       // Replace missing values with "Unknown"
df.replace('<NA>', null);   // Replace placeholder values with null
df.rename({'Name': 'FullName'}); // Rename column
df.drop('Age');             // Drop the "Age" column

Analysis

// Group by City and calculate mean age
var grouped = df.groupBy('City');
grouped.forEach((key, group) {
  print('City: $key, Mean Age: ${group['Age'].mean()}');
});

// Frequency counts
print(df.valueCounts('City'));

Data Transformation

// Add a calculated column
df['IsAdult'] = df['Age'] > 18;
print(df);

// Filter rows
var filtered = df[df['City'] == 'New York'];
print(filtered);

Concatenation

var df1 = DataFrame(columns: ['A', 'B'], data: [[1, 2], [3, 4]]);
var df2 = DataFrame(columns: ['C', 'D'], data: [[5, 6], [7, 8]]);

// Horizontal concatenation
var horizontal = df1.concatenate(df2, axis: 1);
print(horizontal);

// Vertical concatenation
var vertical = df1.concatenate(dff);
print(vertical);