表格可视化#

本节演示了使用 Styler 类对表格数据的可视化。有关图表可视化的信息，请参见图表可视化。本文档以 Jupyter Notebook 的形式编写，可以在这里查看或下载。

Styler 对象和自定义显示#

在 DataFrame 中的数据处理 **完成** 后，应执行样式和输出显示自定义。Styler **不会** 在对 DataFrame 进行进一步更改时动态更新。 DataFrame.style 属性是一个返回 Styler 对象的属性。它定义了一个 _repr_html_ 方法，因此它会在 Jupyter Notebook 中自动呈现。

Styler 可以用于处理大型数据，但主要设计用于小型数据，目前它支持以下格式的输出

HTML
LaTeX
字符串（以及 CSV 扩展）
Excel
（JSON 目前不可用）

前三种格式具有用于格式化和自定义输出的显示自定义方法。这些方法包括

使用 .format() 和 .format_index() 格式化值、索引和列标题，
使用 .relabel_index() 重命名索引或列标题标签，
使用 .hide() 隐藏某些列、索引和/或列标题或索引名称，
使用 .concat() 连接类似的 DataFrame，

格式化显示#

格式化值#

Styler 区分数据值和索引或列标题中的显示值和实际值。为了控制显示值，每个单元格中的文本都以字符串形式打印，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此值。可以为整个表格、索引或单个列或多级索引级别定义此值。我们还可以覆盖索引名称。

此外，format 函数具有一个precision参数，专门用于帮助格式化浮点数，以及decimal和thousands分隔符以支持其他语言环境，一个na_rep参数以显示缺失数据，以及一个escape和hyperlinks参数以帮助显示安全的 HTML 或安全的 LaTeX。默认格式化程序配置为采用 pandas 的全局选项，例如 styler.format.precision 选项，可以使用 with pd.option_context('format.precision', 2): 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 1 行	亚当	1	1,123
第 2 行	迈克	3	1.000,230

使用 Styler 操作显示是一个有用的功能，因为它可以维护索引和数据值以用于其他目的，从而提供更大的控制。您不必覆盖 DataFrame 即可按您喜欢的方式显示它。以下是如何使用格式化函数的更全面的示例，同时仍然依赖于基础数据进行索引和计算。

[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
2021-01-01	4.283538	3.737533
2021-01-02	2.233870	2.724672
2021-01-03	4.134636	3.668654
2021-01-04	4.218660	4.603441
2021-01-05	4.510633	4.025532
2021-01-06	0.605171	2.517437
2021-01-07	0.760045	4.558718
2021-01-08	0.092691	3.369846
2021-01-09	3.347177	1.783511
2021-01-10	2.976637	4.216592

[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	大雨	大雨
星期二	大雨	大雨
星期三	干燥	下雨
星期四	干燥	大雨
星期五	干燥	大雨

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，这在索引基于整数时可能很有用。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的渲染，以用于 subset 参数。

隐藏不会改变 CSS 类别的整数排列，例如，隐藏 DataFrame 的前两列意味着列类别索引仍将从 col2 开始，因为 col0 和 col1 只是被忽略了。

[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]:

	1	3
1	1.109789	0.823589
3	0.021072	-0.378961

要将函数反转为 **显示** 功能，最佳做法是组合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]:

	0	2	4
0	-0.251097	-1.742081	1.388132
2	0.407566	-0.879413	-1.049158
4	-1.591653	0.122700	-0.075033

连接 DataFrame 输出#

两个或多个 Styler 可以连接在一起，前提是它们共享相同的列。这对于显示 DataFrame 的汇总统计信息非常有用，并且通常与 DataFrame.agg 结合使用。

由于连接的对象是 Styler，因此它们可以独立地进行样式设置，如下所示，它们的连接会保留这些样式。

[7]:

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

[7]:

	0	1	2	3	4
0	-0.3	0.3	-1.7	-0.6	1.4
1	-0.7	1.1	1.2	0.8	1.4
2	0.4	-1.5	-0.9	-1.3	-1.0
3	-0.2	0.0	1.7	-0.4	0.1
4	-1.6	0.3	0.1	-0.2	-0.1
总计	-2.285	0.239	0.459	-1.613	1.758
平均值	-0.457	0.048	0.092	-0.323	0.352

Styler 对象和 HTML#

Styler 最初是为了支持各种 HTML 格式化选项而构建的。它的 HTML 输出创建了一个 HTML <table> 并利用 CSS 样式语言来操作许多参数，包括颜色、字体、边框、背景等。有关样式化 HTML 表格的更多信息，请参见此处。这允许在开箱即用时获得很大的灵活性，甚至使 Web 开发人员能够将 DataFrames 集成到其现有的用户界面设计中。

下面我们演示默认输出，它看起来与标准 DataFrame HTML 表示非常相似。但这里的 HTML 已经将一些 CSS 类附加到每个单元格，即使我们还没有创建任何样式。我们可以通过调用 .to_html() 方法来查看这些类，该方法将原始 HTML 作为字符串返回，这对于进一步处理或添加到文件很有用 - 在有关 CSS 和 HTML 的更多信息中继续阅读。本节还将提供一个逐步指南，说明如何将此默认输出转换为表示更具传达性的 DataFrame 输出。例如，我们可以构建 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）	38.000000	2.000000	18.000000	22.000000	21	nan
非肿瘤（阴性）	19.000000	439.000000	6.000000	452.000000	226	232.000000

[10]:

[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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

添加样式的方法#

向 Styler 添加自定义 CSS 样式主要有 3 种方法。

使用 .set_table_styles() 通过指定的内部 CSS 控制表格的更广泛区域。虽然表格样式允许灵活地添加 CSS 选择器和属性来控制表格的所有单个部分，但它们对于单个单元格的规范来说过于笨拙。此外，请注意，表格样式无法导出到 Excel。
使用 .set_td_classes() 直接将外部 CSS 类链接到您的数据单元格，或链接由 .set_table_styles() 创建的内部 CSS 类。参见此处。这些不能用于列标题行或索引，并且也不能导出到 Excel。
使用 .apply() 和 .map() 函数将直接的内部 CSS 添加到特定的数据单元格。参见此处。从 v1.4.0 开始，还有一些方法可以直接作用于列标题行或索引；.apply_index() 和 .map_index()。请注意，只有这些方法添加的样式才能导出到 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单个部分，包括列标题和索引。但是，对于单个数据单元格或任何类型的条件格式来说，它们可能过于繁琐，因此我们建议将表格样式用于广泛的样式，例如一次对整个行或列进行样式设置。

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;
}

将样式传递给 .set_table_styles() 的必要格式是字典列表，每个字典包含一个 CSS 选择器标签和 CSS 属性。属性可以是 2 元组列表，也可以是常规 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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

接下来，我们只需添加几个针对表格特定部分的样式伪影。这里要注意，由于我们正在链接方法，因此我们需要明确指示该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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

作为一种便利方法（从版本 1.2.0 开始），我们还可以将一个字典传递给 .set_table_styles()，该字典包含行或列键。在幕后，Styler 只需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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

设置类并链接到外部 CSS#

如果您设计过网站，那么您很可能已经拥有一个外部 CSS 文件，用于控制其中表格和单元格对象的样式。您可能希望使用这些原生文件，而不是在 python 中复制所有 CSS（以及复制任何维护工作）。

表格属性#

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

[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 中的新增功能

The .set_td_classes() 方法接受一个 DataFrame，其索引和列与底层 Styler 的 DataFrame 相匹配。该 DataFrame 将包含字符串作为 CSS 类，以添加到各个数据单元格：<td> 元素的 <table>。我们不会使用外部 CSS，而是将在内部创建我们的类并将其添加到表格样式中。我们将等到工具提示部分再添加边框。

[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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

Styler 函数#

对数据进行操作#

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，该函数接受单个值并返回包含 CSS 属性-值对的字符串。
.apply() (按列/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，其中每个元素都是包含 CSS 属性-值对的字符串。此方法根据 axis 关键字参数，一次传递 DataFrame 的每一列或每一行，或一次传递整个表格。对于按列使用 axis=0，按行使用 axis=1，对于整个表格一次使用 axis=None。

此方法对于将多个复杂逻辑应用于数据单元格非常强大。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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

例如，我们可以构建一个函数，如果文本为负数，则对其进行颜色编码，并将此函数与一个函数链接起来，该函数会部分淡化值可忽略的单元格。由于这会依次查看每个元素，因此我们使用 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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

我们还可以构建一个函数，它可以一次性突出显示行、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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-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 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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

最后一个例子展示了某些样式是如何被其他样式覆盖的。通常，最后应用的样式是有效的，但您可以在 CSS 层次结构部分中了解更多信息。您也可以将这些样式应用于 DataFrame 的更细粒度的部分 - 在子集切片部分了解更多信息。

可以使用类来复制部分功能，但这可能比较麻烦。请参阅优化中的第 3) 项

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，因此结果应该相同，并且使用 DataFrame.apply，您将能够检查每个单元格中目标函数的 CSS 字符串输出。

对索引和列标题进行操作#

类似的应用是通过使用以下方法实现的

.map_index() (逐元素): 接受一个函数，该函数接受一个值并返回一个包含 CSS 属性-值对的字符串。
.apply_index() (逐级): 接受一个函数，该函数接受一个 Series 并返回一个 Series 或 numpy 数组，其形状相同，其中每个元素都是包含 CSS 属性-值对的字符串。此方法一次传递索引的每个级别。要设置索引的样式，请使用 axis=0，要设置列标题的样式，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。

[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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

添加工具提示（自版本 1.3.0 起）可以使用 .set_tooltips() 方法，与您通过提供具有相交索引和列的基于字符串的 DataFrame 向数据单元格添加 CSS 类的方式相同。您不必为工具提示指定 css_class 名称或任何 css props，因为存在标准默认值，但如果您想要更多视觉控制，则可以选择。

[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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

我们表格中唯一剩下的工作是添加突出显示边框，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。设置类始终覆盖，因此我们需要确保添加了以前的类。

[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	肿瘤	非肿瘤
实际标签
肿瘤（阳性）	38	2	18	22
非肿瘤（阴性）	19	439	6	452

使用切片进行更精细的控制#

到目前为止，我们为 Styler.apply 和 Styler.map 函数展示的示例并未演示 subset 参数的使用。这是一个有用的参数，它允许很大的灵活性：它允许您将样式应用于特定的行或列，而无需将该逻辑编码到您的 style 函数中。

传递给 subset 的值的行为类似于切片 DataFrame；

标量被视为列标签
列表（或 Series 或 NumPy 数组）被视为多个列标签
元组被视为 (row_indexer, column_indexer)

考虑使用 pd.IndexSlice 为最后一个构造元组。我们将创建一个具有多级索引的 DataFrame 来演示该功能。

[36]:

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

[36]:

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

我们将使用 subset 以红色文本突出显示第三列和第四列中的最大值。我们将以黄色突出显示切片区域的子集。

[37]:

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

[37]:

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

如果与建议的 IndexSlice 结合使用，则它可以更灵活地跨两个维度进行索引。

[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]:

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

这也提供了在与 axis=1 结合使用时子选择行的灵活性。

[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]:

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

还有提供条件过滤的范围。

假设我们希望仅在第一列和第三列的总和小于 -2.0 的情况下，突出显示第二列和第四列中的最大值（本质上排除行 (:,'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]:

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

目前仅支持基于标签的切片，不支持位置切片，也不支持可调用对象。

如果您的样式函数使用 subset 或 axis 关键字参数，请考虑将您的函数包装在 functools.partial 中，并部分地将该关键字参数传递出去。

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，我们也不建议这样做。只有两种情况下值得考虑。

如果您正在渲染和设置样式非常大的 HTML 表格，某些浏览器会遇到性能问题。
如果您正在使用 Styler 动态创建在线用户界面的部分，并且想要提高网络性能。

我们建议您采取以下步骤来实现。

1. 删除 UUID 和 cell_ids#

忽略 uuid 并将 cell_ids 设置为 False。这将防止生成不必要的 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#

尽可能使用表格样式（例如，一次性应用于所有单元格、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]:

	0	1
0	1	2
1	3	4

这是更好的

[44]:

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

[44]:

	0	1
0	1	2
1	3	4

3. 设置类而不是使用 Styler 函数#

对于将相同样式应用于许多单元格的大型 DataFrame，将样式声明为类，然后将这些类应用于数据单元格，而不是直接将样式应用于单元格，可能会更有效。但是，如果您不关心优化，使用 Styler 函数 API 可能会更容易。

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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-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]:

	A	B	C	D
0	1.764052	0.400157	0.978738	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	-0.854096
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

4. 不要使用工具提示#

工具提示需要 cell_ids 才能工作，并且它们会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#

您可以移除不必要的 HTML 代码，或通过替换默认的 CSS 字典来缩短默认的类名。您可以阅读更多关于 CSS 的信息下方。

[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]:

	0	1
0	1	2
1	3	4

内置样式#

一些样式函数非常常见，以至于我们已经将它们“内置”到 Styler 中，因此您无需自己编写和应用它们。当前此类函数的列表为

.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: 一种灵活的方法，用于根据单元格本身或其他值在数值范围内的值来突出显示单元格。
.text_gradient: 类似的方法，用于根据单元格本身或其他值在数值范围内的值来突出显示文本。
.bar: 在单元格背景中显示迷你图表。

每个函数的单独文档通常会提供更多关于其参数的示例。

突出显示空值#[49]:
df2.iloc[0,2] = np.nan
df2.iloc[4,3] = np.nan
df2.loc[:4].style.highlight_null(color='yellow')
[49]:




 
A
B
C
D


0
1.764052
0.400157
nan
2.240893

1
1.867558
-0.977278
0.950088
-0.151357

2
-0.103219
0.410599
0.144044
1.454274

3
0.761038
0.121675
0.443863
0.333674

4
1.494079
-0.205158
0.313068
nan

突出显示最小值或最大值#[50]:
df2.loc[:4].style.highlight_max(axis=1, props='color:white; font-weight:bold; background-color:darkblue;')
[50]:




 
A
B
C
D


0
1.764052
0.400157
nan
2.240893

1
1.867558
-0.977278
0.950088
-0.151357

2
-0.103219
0.410599
0.144044
1.454274

3
0.761038
0.121675
0.443863
0.333674

4
1.494079
-0.205158
0.313068
nan

突出显示区间#

此方法接受浮点数、NumPy 数组或 Series 作为范围，前提是索引匹配。

[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]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan

突出显示分位数#

用于检测最高或最低百分位数的值

[52]:

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

[52]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan

背景渐变和文本渐变#

您可以使用 background_gradient 和 text_gradient 方法创建“热图”。这些方法需要 matplotlib，我们将使用 Seaborn 来获得一个漂亮的颜色映射。

[53]:

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

df2.style.background_gradient(cmap=cm)

[53]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

[54]:

df2.style.text_gradient(cmap=cm)

[54]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

.background_gradient 和 .text_gradient 有许多关键字参数可以用来定制渐变和颜色。请参阅文档。

设置属性#

当样式实际上不依赖于值时，使用 Styler.set_properties。这只是 .map 的一个简单包装器，其中函数对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]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan

条形图#

您可以在 DataFrame 中包含“条形图”。

[56]:

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

[56]:

	A	B	C	D
0	1.764052	0.400157	nan	2.240893
1	1.867558	-0.977278	0.950088	-0.151357
2	-0.103219	0.410599	0.144044	1.454274
3	0.761038	0.121675	0.443863	0.333674
4	1.494079	-0.205158	0.313068	nan
5	-2.552990	0.653619	0.864436	-0.742165
6	2.269755	-1.454366	0.045759	-0.187184
7	1.532779	1.469359	0.154947	0.378163
8	-0.887786	-1.980796	-0.347912	0.156349
9	1.230291	1.202380	-0.387327	-0.302303

其他关键字参数可以更精确地控制居中和定位，并且您可以传递一个 [color_negative, color_positive] 列表来突出显示较低和较高的值，或者传递一个 matplotlib 颜色映射。

为了展示一个示例，以下是如何使用新的 align 选项更改上述内容，并结合设置 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 颜色映射将文本颜色设置为与条形图相同（尽管在这种情况下，没有这种额外效果的视觉效果可能更好）。

[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]:

	A	B	C	D
0	1.764	0.400		2.241
1	1.868	-0.977	0.950	-0.151
2	-0.103	0.411	0.144	1.454
3	0.761	0.122	0.444	0.334
4	1.494	-0.205	0.313
5	-2.553	0.654	0.864	-0.742
6	2.270	-1.454	0.046	-0.187
7	1.533	1.469	0.155	0.378
8	-0.888	-1.981	-0.348	0.156
9	1.230	1.202	-0.387	-0.302

以下示例旨在突出显示新对齐选项的行为

[59]:

HTML(head)

[59]:

对齐

全部负数

负数和正数

全部正数

大正数

左


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102

右


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102

零


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102

中


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102

平均值


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102


-100
-60
-30
-20


-10
-5
0
90


10
20
50
100


100
103
101
102

共享样式#

假设您为 DataFrame 创建了一个很棒的样式，现在您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]:

A	B	C	D
1.764052	0.400157	nan	2.240893
1.867558	-0.977278	0.950088	-0.151357
-0.103219	0.410599	0.144044	1.454274
0.761038	0.121675	0.443863	0.333674
1.494079	-0.205158	0.313068	nan
-2.552990	0.653619	0.864436	-0.742165
2.269755	-1.454366	0.045759	-0.187184
1.532779	1.469359	0.154947	0.378163
-0.887786	-1.980796	-0.347912	0.156349
1.230291	1.202380	-0.387327	-0.302303

[61]:

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

[61]:

c1	c2	c3	c4
-1.048553	-1.420018	-1.706270	1.950775
-0.509652	-0.438074	-1.252795	0.777490
-1.613898	-0.212740	-0.895467	0.386902
-0.510805	-1.180632	-0.028182	0.428332

请注意，即使样式是数据感知的，您也可以共享它们。样式会在它们被 use 的新 DataFrame 上重新评估。

限制#

仅限 DataFrame（使用 Series.to_frame().style）
索引和列不需要唯一，但某些样式函数只能使用唯一索引。
没有大型 repr，并且构建性能不是很好；尽管我们有一些 HTML 优化
您只能应用样式，不能插入新的 HTML 实体，除非通过子类化。

其他有趣且有用的内容#

以下是一些有趣的示例。

小部件#

Styler 与小部件的交互性很好。如果您是在线查看而不是自己运行笔记本，那么您将错过交互式调整调色板的机会。

[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]:

悬停以放大
	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
0	0.23	1.03	-0.84	-0.59	-0.96	-0.22	-0.62	1.84	-2.05	0.87	-0.92	-0.23	2.15	-1.33	0.08	-1.25	1.20	-1.05	1.06	-0.42	2.29	-2.59	2.82	0.68	-1.58
1	-1.75	1.56	-1.13	-1.10	1.03	0.00	-2.46	3.45	-1.66	1.27	-0.52	-0.02	1.52	-1.09	-1.86	-1.13	-0.68	-0.81	0.35	-0.06	1.79	-2.82	2.26	0.78	0.44
2	-0.65	3.22	-1.76	0.52	2.20	-0.37	-3.00	3.73	-1.87	2.46	0.21	-0.24	-0.10	-0.78	-3.02	-0.82	-0.21	-0.23	0.86	-0.68	1.45	-4.89	3.03	1.91	0.61
3	-1.62	3.71	-2.31	0.43	4.17	-0.43	-3.86	4.16	-2.15	1.08	0.12	0.60	-0.89	0.27	-3.67	-2.71	-0.31	-1.59	1.35	-1.83	0.91	-5.80	2.81	2.11	0.28
4	-3.35	4.48	-1.86	-1.70	5.19	-1.02	-3.81	4.72	-0.72	1.08	-0.18	0.83	-0.22	-1.08	-4.27	-2.88	-0.97	-1.78	1.53	-1.80	2.21	-6.34	3.34	2.49	2.09
5	-0.84	4.23	-1.65	-2.00	5.34	-0.99	-4.13	3.94	-1.06	-0.94	1.24	0.09	-1.78	-0.11	-4.45	-0.85	-2.06	-1.35	0.80	-1.63	1.54	-6.51	2.80	2.14	3.77
6	-0.74	5.35	-2.11	-1.13	4.20	-1.85	-3.20	3.76	-3.22	-1.23	0.34	0.57	-1.82	0.54	-4.43	-1.83	-4.03	-2.62	-0.20	-4.68	1.93	-8.46	3.34	2.52	5.81
7	-0.44	4.69	-2.30	-0.21	5.93	-2.63	-1.83	5.46	-4.50	-3.16	-1.73	0.18	0.11	0.04	-5.99	-0.45	-6.20	-3.89	0.71	-3.95	0.67	-7.26	2.97	3.39	6.66
8	0.92	5.80	-3.33	-0.65	5.99	-3.19	-1.83	5.63	-3.53	-1.30	-1.61	0.82	-2.45	-0.40	-6.06	-0.52	-6.60	-3.48	-0.04	-4.60	0.51	-5.85	3.23	2.40	5.08
9	0.38	5.54	-4.49	-0.80	7.05	-2.64	-0.44	5.35	-1.96	-0.33	-0.80	0.26	-3.37	-0.82	-6.05	-2.61	-8.45	-4.45	0.41	-4.71	1.89	-6.93	2.14	3.00	5.16
10	2.06	5.84	-3.90	-0.98	7.78	-2.49	-0.59	5.59	-2.22	-0.71	-0.46	1.80	-2.79	0.48	-5.97	-3.44	-7.77	-5.49	-0.70	-4.61	-0.52	-7.72	1.54	5.02	5.81
11	1.86	4.47	-2.17	-1.38	5.90	-0.49	0.02	5.78	-1.04	-0.60	0.49	1.96	-1.47	1.88	-5.92	-4.55	-8.15	-3.42	-2.24	-4.33	-1.17	-7.90	1.36	5.31	5.83
12	3.19	4.22	-3.06	-2.27	5.93	-2.64	0.33	6.72	-2.84	-0.20	1.89	2.63	-1.53	0.75	-5.27	-4.53	-7.57	-2.85	-2.17	-4.78	-1.13	-8.99	2.11	6.42	5.60
13	2.31	4.45	-3.87	-2.05	6.76	-3.25	-2.17	7.99	-2.56	-0.80	0.71	2.33	-0.16	-0.46	-5.10	-3.79	-7.58	-4.00	0.33	-3.67	-1.05	-8.71	2.47	5.87	6.71
14	3.78	4.33	-3.88	-1.58	6.22	-3.23	-1.46	5.57	-2.93	-0.33	-0.97	1.72	3.61	0.29	-4.21	-4.10	-6.68	-4.50	-2.19	-2.43	-1.64	-9.36	3.36	6.11	7.53
15	5.64	5.31	-3.98	-2.26	5.91	-3.30	-1.03	5.68	-3.06	-0.33	-1.16	2.19	4.20	1.01	-3.22	-4.31	-5.74	-4.44	-2.30	-1.36	-1.20	-11.27	2.59	6.69	5.91
16	4.08	4.34	-2.44	-3.30	6.04	-2.52	-0.47	5.28	-4.84	1.58	0.23	0.10	5.79	1.80	-3.13	-3.85	-5.53	-2.97	-2.13	-1.15	-0.56	-13.13	2.07	6.16	4.94
17	5.64	4.57	-3.53	-3.76	6.58	-2.58	-0.75	6.58	-4.78	3.63	-0.29	0.56	5.76	2.05	-2.27	-2.31	-4.95	-3.16	-3.06	-2.43	0.84	-12.57	3.56	7.36	4.70
18	5.99	5.82	-2.85	-4.15	7.12	-3.32	-1.21	7.93	-4.85	1.44	-0.63	0.35	7.47	0.87	-1.52	-2.09	-4.23	-2.55	-2.46	-2.89	1.90	-9.74	3.43	7.07	4.39
19	4.03	6.23	-4.10	-4.11	7.19	-4.10	-1.52	6.53	-5.21	-0.24	0.01	1.16	6.43	-1.97	-2.64	-1.66	-5.20	-3.25	-2.87	-1.65	1.64	-10.66	2.83	7.48	3.94

粘性标题#

如果您在笔记本中显示大型矩阵或 DataFrame，但您希望始终看到列和行标题，您可以使用 .set_sticky 方法，它会操作表格样式 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

也可以粘贴 MultiIndexes，甚至只粘贴特定级别。

[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]:

			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
A	0	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
	1	0	-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
		1	-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
		2	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
		3	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
B	0	0	-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
		1	-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
		2	-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
		3	-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
	1	0	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
		1	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
		2	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
		3	-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

HTML 转义#

假设您必须在 HTML 中显示 HTML，当渲染器无法区分时，这可能有点痛苦。您可以使用 escape 格式化选项来处理此问题，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]:

	0	1	2
0		"&other"

[68]:

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

[68]:

	0	1	2
0	<div></div>	"&other"	<span></span>

[69]:

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

[69]:

	0	1	2
0	<div></div>	"&other"	<span></span>

导出到 Excel#

自 0.20.0 版本起，支持将带样式的 DataFrames 导出到 Excel 工作表，可以使用 OpenPyXL 或 XlsxWriter 引擎。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
支持简写和侧边特定的边框属性（例如 border-style 和 border-left-style），以及所有侧边的 border 简写（border: 1px solid green）或指定侧边（border-left: 1px solid green）。使用 border 简写会覆盖之前设置的任何边框属性（有关更多详细信息，请参阅 CSS 工作组）。
目前仅支持 CSS2 命名的颜色和 #rgb 或 #rrggbb 形式的十六进制颜色。
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 特定的样式：“hair”、“mediumDashDot”、“dashDotDot”、“mediumDashDotDot”、“dashDot”、“slantDashDot” 或 “mediumDashed”）

表格级别的样式和数据单元格 CSS 类不包含在导出到 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

Excel spreadsheet with styled DataFrame

导出到 LaTeX#

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

关于 CSS 和 HTML 的更多信息#

层叠样式表 (CSS) 语言旨在影响浏览器渲染 HTML 元素的方式，它本身也有一些特殊之处。它从不报告错误：它只是默默地忽略它们，并且不会按照你的意愿渲染你的对象，因此有时会令人沮丧。以下是如何 Styler 创建 HTML 并与 CSS 交互的简要介绍，以及如何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。

包含索引和列名称的单元格包括 index_name 和 level<k>，其中 k 是它在 MultiIndex 中的级别
索引标签单元格包括
- row_heading
- level<k>，其中 k 是 MultiIndex 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 MultiIndex 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。
空白单元格包括 blank
修剪后的单元格包括 col_trim 或 row_trim

id 的结构为 T_uuid_level<k>_row<m>_col<n>，其中 level<k> 仅用于标题，并且标题将仅具有 row<m> 或 col<n>，具体取决于需要哪个。默认情况下，我们还在每个行/列标识符之前添加了每个 DataFrame 独有的 UUID，以便来自一个 DataFrame 的样式不会与同一个笔记本或页面中另一个 DataFrame 的样式冲突。你可以在优化中阅读有关 UUID 用法的更多信息。

我们可以通过调用 .to_html() 方法来查看 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_4dfc0">
  <thead>
    <tr>
      <th class="blank level0" >&nbsp;</th>
      <th id="T_4dfc0_level0_col0" class="col_heading level0 col0" >c1</th>
      <th id="T_4dfc0_level0_col1" class="col_heading level0 col1" >c2</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th id="T_4dfc0_level0_row0" class="row_heading level0 row0" >i1</th>
      <td id="T_4dfc0_row0_col0" class="data row0 col0" >1</td>
      <td id="T_4dfc0_row0_col1" class="data row0 col1" >2</td>
    </tr>
    <tr>
      <th id="T_4dfc0_level0_row1" class="row_heading level0 row1" >i2</th>
      <td id="T_4dfc0_row1_col0" class="data row1 col0" >3</td>
      <td id="T_4dfc0_row1_col1" class="data row1 col1" >4</td>
    </tr>
  </tbody>
</table>

CSS 层级结构#

示例表明，当 CSS 样式重叠时，在 HTML 渲染中最后出现的样式将优先。因此，以下代码将产生不同的结果

[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

这仅适用于在层级结构或重要性方面等效的 CSS 规则。您可以阅读更多关于 CSS 特定性的内容，但对于我们的目的，总结关键点就足够了

每个 HTML 元素的 CSS 重要性得分从零开始，并根据以下规则进行累加：

内联样式属性为 1000
每个 ID 为 100
每个属性、类或伪类为 10
每个元素名称或伪元素为 1

让我们用它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

此文本为红色，因为生成的选择器 #T_a_ td 的值为 101（ID 加元素），而 #T_a_row0_col0 的值为 100（ID），因此即使在 HTML 中它出现在前面之后，也被认为是次要的。

[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

在上面的情况下，文本为蓝色，因为选择器 #T_b_ .cls-1 的值为 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）的值提升到 111。

如果您的样式无法应用，并且真的很令人沮丧，请尝试使用 !important 作为王牌。

[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

最终得到了绿色文本！

可扩展性#

pandas 的核心是，并将继续是其“高性能、易于使用的數據结构”。考虑到这一点，我们希望 DataFrame.style 能够实现两个目标

提供一个易于交互使用且“足够好”以完成许多任务的 API
为专用库的构建提供基础

如果您在此基础上构建了一个很棒的库，请告诉我们，我们会链接到它。

子类化#

如果默认模板不完全符合您的需求，您可以对 Styler 进行子类化并扩展或覆盖模板。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，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")

请注意，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，因此 Jinja 环境需要能够找到它。

现在我们可以使用那个自定义的 styler。它的 __init__ 接受一个 DataFrame。

[81]:

MyStyler(df3)

[81]:

我的表格

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

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

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

为了方便起见，我们提供了 Styler.from_custom_template 方法，它与自定义子类执行相同的操作。

[83]:

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

[83]:

另一个标题

		c1	c2	c3	c4
A	r1	-1.048553	-1.420018	-1.706270	1.950775
A	r2	-0.509652	-0.438074	-1.252795	0.777490
B	r1	-1.613898	-0.212740	-0.895467	0.386902
B	r2	-0.510805	-1.180632	-0.028182	0.428332

模板结构#

以下是样式生成模板和表格生成模板的模板结构

样式模板

[85]:

HTML(style_structure)

[85]:

before_style

style

<style type="text/css">

table_styles

before_cellstyle

cellstyle

</style>

表格模板

[87]:

HTML(table_structure)

[87]:

before_table

table

<table ...>

caption

thead

before_head_rows

head_tr (循环遍历标题)

after_head_rows

tbody

before_rows

tr (循环遍历数据行)

after_rows

</table>

after_table

有关更多详细信息，请参阅 GitHub 仓库中的模板。