│ │ │ │
│ │ │ │ In [144]: ser = pd.Series(arr[:, 0])
│ │ │ │
│ │ │ │ In [145]: %timeit ser.iloc[indexer]
│ │ │ │ .....: %timeit ser.take(indexer)
│ │ │ │ .....:
│ │ │ │ -651 us +- 13.4 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ -607 us +- 15.3 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ +642 us +- 9.02 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ +612 us +- 4.89 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ We have discussed MultiIndex in the previous sections pretty extensively.
│ │ │ │ Documentation about DatetimeIndex and PeriodIndex are shown here,
│ │ │ │ ├── html2text {}
│ │ │ │ │ @@ -1113,23 +1113,23 @@
│ │ │ │ │ In [141]: indexer = np.arange(10000)
│ │ │ │ │
│ │ │ │ │ In [142]: random.shuffle(indexer)
│ │ │ │ │
│ │ │ │ │ In [143]: %timeit arr[indexer]
│ │ │ │ │ .....: %timeit arr.take(indexer, axis=0)
│ │ │ │ │ .....:
│ │ │ │ │ -784 us +- 11.5 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ -423 us +- 6.62 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ +809 us +- 11.2 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ +426 us +- 9.77 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ In [144]: ser = pd.Series(arr[:, 0])
│ │ │ │ │
│ │ │ │ │ In [145]: %timeit ser.iloc[indexer]
│ │ │ │ │ .....: %timeit ser.take(indexer)
│ │ │ │ │ .....:
│ │ │ │ │ -651 us +- 13.4 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ -607 us +- 15.3 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ +642 us +- 9.02 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ +612 us +- 4.89 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
│ │ │ │ │ ***** Index types¶ *****
│ │ │ │ │ We have discussed MultiIndex in the previous sections pretty extensively.
│ │ │ │ │ Documentation about DatetimeIndex and PeriodIndex are shown here, and
│ │ │ │ │ documentation about TimedeltaIndex is found here.
│ │ │ │ │ In the following sub-sections we will highlight some other index types.
│ │ │ │ │ **** CategoricalIndex¶ ****
│ │ │ │ │ CategoricalIndex is a type of index that is useful for supporting indexing with
│ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/basics.html
│ │ │ │┄ Ordering differences only
│ │ │ │ @@ -3550,21 +3550,21 @@
│ │ │ │ dtype: object
│ │ │ │
The number of columns of each type in a DataFrame can be found by calling
│ │ │ │ DataFrame.dtypes.value_counts().
In [352]: dft.dtypes.value_counts()
│ │ │ │ Out[352]:
│ │ │ │ -datetime64[ns] 1
│ │ │ │ -float64 1
│ │ │ │ -object 1
│ │ │ │ -bool 1
│ │ │ │ int8 1
│ │ │ │ +float64 1
│ │ │ │ float32 1
│ │ │ │ int64 1
│ │ │ │ +bool 1
│ │ │ │ +object 1
│ │ │ │ +datetime64[ns] 1
│ │ │ │ dtype: int64
│ │ │ │ Numeric dtypes will propagate and can coexist in DataFrames.
│ │ │ │ If a dtype is passed (either directly via the dtype keyword, a passed ndarray,
│ │ │ │ or a passed Series), then it will be preserved in DataFrame operations. Furthermore,
│ │ │ │ different numeric dtypes will NOT be combined. The following example will give you a taste.
But clearly this isn’t fast enough for us. Let’s take a look and see where the │ │ │ │ time is spent during this operation (limited to the most time consuming │ │ │ │ four calls) using the prun ipython magic function:
│ │ │ │In [5]: %prun -l 4 df.apply(lambda x: integrate_f(x['a'], x['b'], x['N']), axis=1) # noqa E999
│ │ │ │ - 622830 function calls (622809 primitive calls) in 0.798 seconds
│ │ │ │ + 622830 function calls (622809 primitive calls) in 0.810 seconds
│ │ │ │
│ │ │ │ Ordered by: internal time
│ │ │ │ List reduced from 214 to 4 due to restriction <4>
│ │ │ │
│ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function)
│ │ │ │ - 1000 0.469 0.000 0.688 0.001 <ipython-input-4-c2a74e076cf0>:1(integrate_f)
│ │ │ │ - 552423 0.219 0.000 0.219 0.000 <ipython-input-3-c138bdd570e3>:1(f)
│ │ │ │ - 3000 0.014 0.000 0.078 0.000 series.py:868(__getitem__)
│ │ │ │ - 3000 0.010 0.000 0.056 0.000 series.py:973(_get_value)
│ │ │ │ + 1000 0.479 0.000 0.695 0.001 <ipython-input-4-c2a74e076cf0>:1(integrate_f)
│ │ │ │ + 552423 0.217 0.000 0.217 0.000 <ipython-input-3-c138bdd570e3>:1(f)
│ │ │ │ + 3000 0.015 0.000 0.080 0.000 series.py:868(__getitem__)
│ │ │ │ + 3000 0.010 0.000 0.057 0.000 series.py:973(_get_value)
│ │ │ │ By far the majority of time is spend inside either integrate_f or f,
│ │ │ │ hence we’ll concentrate our efforts cythonizing these two functions.
Now, we’re talking! It’s now over ten times faster than the original python │ │ │ │ implementation, and we haven’t really modified the code. Let’s have another │ │ │ │ look at what’s eating up time:
│ │ │ │In [9]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x['a'], x['b'], x['N']), axis=1)
│ │ │ │ - 70396 function calls (70375 primitive calls) in 0.111 seconds
│ │ │ │ + 70396 function calls (70375 primitive calls) in 0.122 seconds
│ │ │ │
│ │ │ │ Ordered by: internal time
│ │ │ │ List reduced from 208 to 4 due to restriction <4>
│ │ │ │
│ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function)
│ │ │ │ - 3000 0.013 0.000 0.075 0.000 series.py:868(__getitem__)
│ │ │ │ - 3000 0.010 0.000 0.054 0.000 series.py:973(_get_value)
│ │ │ │ - 3000 0.008 0.000 0.025 0.000 base.py:2854(get_loc)
│ │ │ │ - 3000 0.006 0.000 0.019 0.000 base.py:4626(_get_values_for_loc)
│ │ │ │ + 3000 0.015 0.000 0.080 0.000 series.py:868(__getitem__)
│ │ │ │ + 3000 0.010 0.000 0.058 0.000 series.py:973(_get_value)
│ │ │ │ + 3000 0.008 0.000 0.027 0.000 base.py:2854(get_loc)
│ │ │ │ + 3000 0.007 0.000 0.020 0.000 base.py:4626(_get_values_for_loc)
│ │ │ │ It’s calling series… a lot! It’s creating a Series from each row, and get-ting from both │ │ │ │ the index and the series (three times for each row). Function calls are expensive │ │ │ │ @@ -277,24 +277,24 @@ │ │ │ │
We’ve gotten another big improvement. Let’s check again where the time is spent:
│ │ │ │In [11]: %%prun -l 4 apply_integrate_f(df['a'].to_numpy(),
│ │ │ │ ....: df['b'].to_numpy(),
│ │ │ │ ....: df['N'].to_numpy())
│ │ │ │ ....:
│ │ │ │ - 218 function calls in 0.007 seconds
│ │ │ │ + 218 function calls in 0.009 seconds
│ │ │ │
│ │ │ │ Ordered by: internal time
│ │ │ │ List reduced from 59 to 4 due to restriction <4>
│ │ │ │
│ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function)
│ │ │ │ - 1 0.006 0.006 0.006 0.006 {built-in method _cython_magic_7dc7064016b351e6f537d7542a365f15.apply_integrate_f}
│ │ │ │ - 1 0.000 0.000 0.007 0.007 {built-in method builtins.exec}
│ │ │ │ - 3 0.000 0.000 0.001 0.000 frame.py:2869(__getitem__)
│ │ │ │ - 3 0.000 0.000 0.000 0.000 managers.py:993(iget)
│ │ │ │ + 1 0.007 0.007 0.007 0.007 {built-in method _cython_magic_7dc7064016b351e6f537d7542a365f15.apply_integrate_f}
│ │ │ │ + 3 0.000 0.000 0.002 0.001 frame.py:2869(__getitem__)
│ │ │ │ + 1 0.000 0.000 0.009 0.009 {built-in method builtins.exec}
│ │ │ │ + 3 0.000 0.000 0.001 0.000 managers.py:993(iget)
│ │ │ │ As one might expect, the majority of the time is now spent in apply_integrate_f,
│ │ │ │ so if we wanted to make anymore efficiencies we must continue to concentrate our
│ │ │ │ efforts here.
Now let’s compare adding them together using plain ol’ Python versus
│ │ │ │ eval():
In [15]: %timeit df1 + df2 + df3 + df4
│ │ │ │ -39.1 ms +- 1.7 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +69.9 ms +- 3.57 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ In [16]: %timeit pd.eval('df1 + df2 + df3 + df4')
│ │ │ │ -28.2 ms +- 554 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +39.7 ms +- 1.13 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ Now let’s do the same thing but with comparisons:
│ │ │ │In [17]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)
│ │ │ │ -69.2 ms +- 962 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +78.2 ms +- 1.57 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ In [18]: %timeit pd.eval('(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)')
│ │ │ │ -45.5 ms +- 1.83 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +34.6 ms +- 1.51 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ eval() also works with unaligned pandas objects:
In [19]: s = pd.Series(np.random.randn(50))
│ │ │ │
│ │ │ │ In [20]: %timeit df1 + df2 + df3 + df4 + s
│ │ │ │ -85.4 ms +- 15.1 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +106 ms +- 668 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ In [21]: %timeit pd.eval('df1 + df2 + df3 + df4 + s')
│ │ │ │ -33.5 ms +- 1.07 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +39.9 ms +- 711 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ Note
│ │ │ │Operations such as
│ │ │ ││ │ │ ││ │ │ ││ │ │ ││ │ │ │1 and 2 # would parse to 1 & 2, but should evaluate to 2 │ │ │ │ @@ -834,19 +834,19 @@ │ │ │ │ other evaluation engines against it. You will achieve no performance │ │ │ │ benefits usingeval()withengine='python'and in fact may │ │ │ │ incur a performance hit. │ │ │ │You can see this by using
│ │ │ │pandas.eval()with the'python'engine. It │ │ │ │ is a bit slower (not by much) than evaluating the same expression in Python│ │ │ ││ │ │ │In [62]: %timeit df1 + df2 + df3 + df4 │ │ │ │ -54.1 ms +- 11.2 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ +68.1 ms +- 1.53 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ ││ │ │ ││ │ │ │In [63]: %timeit pd.eval('df1 + df2 + df3 + df4', engine='python') │ │ │ │ -50 ms +- 2.45 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ +75.5 ms +- 3.69 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ ││ │ │ ││ │ │ ││ │ │ │
pandas.eval()performance¶
eval()is intended to speed up certain kinds of operations. In │ │ │ │ particular, those operations involving complex expressions with large │ │ │ │ ├── html2text {} │ │ │ │ │ @@ -78,26 +78,26 @@ │ │ │ │ │ In [7]: %timeit df.apply(lambda x: integrate_f(x['a'], x['b'], x['N']), axis=1) │ │ │ │ │ 10 loops, best of 3: 174 ms per loop │ │ │ │ │ But clearly this isnât fast enough for us. Letâs take a look and see where │ │ │ │ │ the time is spent during this operation (limited to the most time consuming │ │ │ │ │ four calls) using the prun_ipython_magic_function: │ │ │ │ │ In [5]: %prun -l 4 df.apply(lambda x: integrate_f(x['a'], x['b'], x['N']), │ │ │ │ │ axis=1) # noqa E999 │ │ │ │ │ - 622830 function calls (622809 primitive calls) in 0.798 seconds │ │ │ │ │ + 622830 function calls (622809 primitive calls) in 0.810 seconds │ │ │ │ │ │ │ │ │ │ Ordered by: internal time │ │ │ │ │ List reduced from 214 to 4 due to restriction <4> │ │ │ │ │ │ │ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function) │ │ │ │ │ - 1000 0.469 0.000 0.688 0.001:1 │ │ │ │ │ + 1000 0.479 0.000 0.695 0.001 :1 │ │ │ │ │ (integrate_f) │ │ │ │ │ - 552423 0.219 0.000 0.219 0.000 :1 │ │ │ │ │ + 552423 0.217 0.000 0.217 0.000 :1 │ │ │ │ │ (f) │ │ │ │ │ - 3000 0.014 0.000 0.078 0.000 series.py:868(__getitem__) │ │ │ │ │ - 3000 0.010 0.000 0.056 0.000 series.py:973(_get_value) │ │ │ │ │ + 3000 0.015 0.000 0.080 0.000 series.py:868(__getitem__) │ │ │ │ │ + 3000 0.010 0.000 0.057 0.000 series.py:973(_get_value) │ │ │ │ │ By far the majority of time is spend inside either integrate_f or f, hence │ │ │ │ │ weâll concentrate our efforts cythonizing these two functions. │ │ │ │ │ **** Plain Cython¶ **** │ │ │ │ │ First weâre going to need to import the Cython magic function to ipython: │ │ │ │ │ In [6]: %load_ext Cython │ │ │ │ │ Now, letâs simply copy our functions over to Cython as is (the suffix is here │ │ │ │ │ to distinguish between function versions): │ │ │ │ │ @@ -136,24 +136,24 @@ │ │ │ │ │ axis=1) │ │ │ │ │ 10 loops, best of 3: 20.3 ms per loop │ │ │ │ │ Now, weâre talking! Itâs now over ten times faster than the original python │ │ │ │ │ implementation, and we havenât really modified the code. Letâs have another │ │ │ │ │ look at whatâs eating up time: │ │ │ │ │ In [9]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x['a'], x['b'], x │ │ │ │ │ ['N']), axis=1) │ │ │ │ │ - 70396 function calls (70375 primitive calls) in 0.111 seconds │ │ │ │ │ + 70396 function calls (70375 primitive calls) in 0.122 seconds │ │ │ │ │ │ │ │ │ │ Ordered by: internal time │ │ │ │ │ List reduced from 208 to 4 due to restriction <4> │ │ │ │ │ │ │ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function) │ │ │ │ │ - 3000 0.013 0.000 0.075 0.000 series.py:868(__getitem__) │ │ │ │ │ - 3000 0.010 0.000 0.054 0.000 series.py:973(_get_value) │ │ │ │ │ - 3000 0.008 0.000 0.025 0.000 base.py:2854(get_loc) │ │ │ │ │ - 3000 0.006 0.000 0.019 0.000 base.py:4626(_get_values_for_loc) │ │ │ │ │ + 3000 0.015 0.000 0.080 0.000 series.py:868(__getitem__) │ │ │ │ │ + 3000 0.010 0.000 0.058 0.000 series.py:973(_get_value) │ │ │ │ │ + 3000 0.008 0.000 0.027 0.000 base.py:2854(get_loc) │ │ │ │ │ + 3000 0.007 0.000 0.020 0.000 base.py:4626(_get_values_for_loc) │ │ │ │ │ **** Using ndarray¶ **** │ │ │ │ │ Itâs calling series⦠a lot! Itâs creating a Series from each row, and │ │ │ │ │ get-ting from both the index and the series (three times for each row). │ │ │ │ │ Function calls are expensive in Python, so maybe we could minimize these by │ │ │ │ │ cythonizing the apply part. │ │ │ │ │ Note │ │ │ │ │ We are now passing ndarrays into the Cython function, fortunately Cython plays │ │ │ │ │ @@ -205,25 +205,25 @@ │ │ │ │ │ 1000 loops, best of 3: 1.25 ms per loop │ │ │ │ │ Weâve gotten another big improvement. Letâs check again where the time is │ │ │ │ │ spent: │ │ │ │ │ In [11]: %%prun -l 4 apply_integrate_f(df['a'].to_numpy(), │ │ │ │ │ ....: df['b'].to_numpy(), │ │ │ │ │ ....: df['N'].to_numpy()) │ │ │ │ │ ....: │ │ │ │ │ - 218 function calls in 0.007 seconds │ │ │ │ │ + 218 function calls in 0.009 seconds │ │ │ │ │ │ │ │ │ │ Ordered by: internal time │ │ │ │ │ List reduced from 59 to 4 due to restriction <4> │ │ │ │ │ │ │ │ │ │ ncalls tottime percall cumtime percall filename:lineno(function) │ │ │ │ │ - 1 0.006 0.006 0.006 0.006 {built-in method │ │ │ │ │ + 1 0.007 0.007 0.007 0.007 {built-in method │ │ │ │ │ _cython_magic_7dc7064016b351e6f537d7542a365f15.apply_integrate_f} │ │ │ │ │ - 1 0.000 0.000 0.007 0.007 {built-in method builtins.exec} │ │ │ │ │ - 3 0.000 0.000 0.001 0.000 frame.py:2869(__getitem__) │ │ │ │ │ - 3 0.000 0.000 0.000 0.000 managers.py:993(iget) │ │ │ │ │ + 3 0.000 0.000 0.002 0.001 frame.py:2869(__getitem__) │ │ │ │ │ + 1 0.000 0.000 0.009 0.009 {built-in method builtins.exec} │ │ │ │ │ + 3 0.000 0.000 0.001 0.000 managers.py:993(iget) │ │ │ │ │ As one might expect, the majority of the time is now spent in │ │ │ │ │ apply_integrate_f, so if we wanted to make anymore efficiencies we must │ │ │ │ │ continue to concentrate our efforts here. │ │ │ │ │ **** More advanced techniques¶ **** │ │ │ │ │ There is still hope for improvement. Hereâs an example of using some more │ │ │ │ │ advanced Cython techniques: │ │ │ │ │ In [12]: %%cython │ │ │ │ │ @@ -420,29 +420,29 @@ │ │ │ │ │ In [13]: nrows, ncols = 20000, 100 │ │ │ │ │ │ │ │ │ │ In [14]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for │ │ │ │ │ _ in range(4)] │ │ │ │ │ Now letâs compare adding them together using plain olâ Python versus eval │ │ │ │ │ (): │ │ │ │ │ In [15]: %timeit df1 + df2 + df3 + df4 │ │ │ │ │ -39.1 ms +- 1.7 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +69.9 ms +- 3.57 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [16]: %timeit pd.eval('df1 + df2 + df3 + df4') │ │ │ │ │ -28.2 ms +- 554 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +39.7 ms +- 1.13 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ Now letâs do the same thing but with comparisons: │ │ │ │ │ In [17]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0) │ │ │ │ │ -69.2 ms +- 962 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +78.2 ms +- 1.57 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [18]: %timeit pd.eval('(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)') │ │ │ │ │ -45.5 ms +- 1.83 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +34.6 ms +- 1.51 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ eval() also works with unaligned pandas objects: │ │ │ │ │ In [19]: s = pd.Series(np.random.randn(50)) │ │ │ │ │ │ │ │ │ │ In [20]: %timeit df1 + df2 + df3 + df4 + s │ │ │ │ │ -85.4 ms +- 15.1 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +106 ms +- 668 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [21]: %timeit pd.eval('df1 + df2 + df3 + df4 + s') │ │ │ │ │ -33.5 ms +- 1.07 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +39.9 ms +- 711 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ Note │ │ │ │ │ Operations such as │ │ │ │ │ 1 and 2 # would parse to 1 & 2, but should evaluate to 2 │ │ │ │ │ 3 or 4 # would parse to 3 | 4, but should evaluate to 3 │ │ │ │ │ ~1 # this is okay, but slower when using eval │ │ │ │ │ should be performed in Python. An exception will be raised if you try to │ │ │ │ │ perform any boolean/bitwise operations with scalar operands that are not of │ │ │ │ │ @@ -667,17 +667,17 @@ │ │ │ │ │ Note │ │ │ │ │ Using the 'python' engine is generally not useful, except for testing other │ │ │ │ │ evaluation engines against it. You will achieve no performance benefits using │ │ │ │ │ eval() with engine='python' and in fact may incur a performance hit. │ │ │ │ │ You can see this by using pandas.eval() with the 'python' engine. It is a bit │ │ │ │ │ slower (not by much) than evaluating the same expression in Python │ │ │ │ │ In [62]: %timeit df1 + df2 + df3 + df4 │ │ │ │ │ -54.1 ms +- 11.2 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +68.1 ms +- 1.53 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [63]: %timeit pd.eval('df1 + df2 + df3 + df4', engine='python') │ │ │ │ │ -50 ms +- 2.45 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +75.5 ms +- 3.69 ms per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ **** pandas.eval() performance¶ **** │ │ │ │ │ eval() is intended to speed up certain kinds of operations. In particular, │ │ │ │ │ those operations involving complex expressions with large DataFrame/Series │ │ │ │ │ objects should see a significant performance benefit. Here is a plot showing │ │ │ │ │ the running time of pandas.eval() as function of the size of the frame involved │ │ │ │ │ in the computation. The two lines are two different engines. │ │ │ │ │ [../_images/eval-perf.png] │ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/groupby.html │ │ │ │ @@ -559,15 +559,15 @@ │ │ │ │ In [59]: grouped_C = grouped['C'] │ │ │ │ │ │ │ │ In [60]: grouped_D = grouped['D'] │ │ │ │ This is mainly syntactic sugar for the alternative and much more verbose:
│ │ │ ││ │ │ ││ │ │ │In [61]: df['C'].groupby(df['A']) │ │ │ │ -Out[61]: <pandas.core.groupby.generic.SeriesGroupBy object at 0xe0e53bb0> │ │ │ │ +Out[61]: <pandas.core.groupby.generic.SeriesGroupBy object at 0xa0757e68> │ │ │ │Additionally this method avoids recomputing the internal grouping information │ │ │ │ derived from the passed key.
│ │ │ │
query() Python versus pandas Syntax Comparison¶Full numpy-like syntax:
│ │ │ │In [232]: df = pd.DataFrame(np.random.randint(n, size=(n, 3)), columns=list('abc'))
│ │ │ │ ├── html2text {}
│ │ │ │ │ @@ -1773,15 +1773,15 @@
│ │ │ │ │ 9 0.732206 0.419540 0.604675
│ │ │ │ │ 10 0.604466 0.848974 0.896165
│ │ │ │ │ 11 0.589168 0.920046 0.732716
│ │ │ │ │
│ │ │ │ │ In [230]: expr = '0.0 <= a <= c <= 0.5'
│ │ │ │ │
│ │ │ │ │ In [231]: map(lambda frame: frame.query(expr), [df, df2])
│ │ │ │ │ -Out[231]: By specifying a chunksize to read_csv, the return
│ │ │ │ value will be an iterable object of type TextFileReader:
In [190]: reader = pd.read_csv('tmp.sv', sep='|', chunksize=4)
│ │ │ │
│ │ │ │ In [191]: reader
│ │ │ │ -Out[191]: <pandas.io.parsers.TextFileReader at 0xe1bf65c8>
│ │ │ │ +Out[191]: <pandas.io.parsers.TextFileReader at 0xa0d64af0>
│ │ │ │
│ │ │ │ In [192]: for chunk in reader:
│ │ │ │ .....: print(chunk)
│ │ │ │ .....:
│ │ │ │ Unnamed: 0 0 1 2 3
│ │ │ │ 0 0 0.469112 -0.282863 -1.509059 -1.135632
│ │ │ │ 1 1 1.212112 -0.173215 0.119209 -1.044236
│ │ │ │ @@ -2679,31 +2679,31 @@
│ │ │ │
│ │ │ │ In [249]: dffloats = pd.DataFrame(randfloats, columns=list('ABCDEFGHIJ'))
│ │ │ │
│ │ │ │ In [250]: jsonfloats = dffloats.to_json()
│ │ │ │ In [251]: %timeit pd.read_json(jsonfloats)
│ │ │ │ -42.5 ms +- 231 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +43.5 ms +- 688 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ In [252]: %timeit pd.read_json(jsonfloats, numpy=True)
│ │ │ │ -29.7 ms +- 167 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +30.5 ms +- 303 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ The speedup is less noticeable for smaller datasets:
│ │ │ │In [253]: jsonfloats = dffloats.head(100).to_json()
│ │ │ │ In [254]: %timeit pd.read_json(jsonfloats)
│ │ │ │ -25.3 ms +- 668 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +25.3 ms +- 198 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ In [255]: %timeit pd.read_json(jsonfloats, numpy=True)
│ │ │ │ -20.9 ms +- 238 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ +21.5 ms +- 58 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
│ │ │ │ Warning
│ │ │ │Direct NumPy decoding makes a number of assumptions and may fail or produce │ │ │ │ unexpected output if these assumptions are not satisfied:
│ │ │ ││ │ │ │ @@ -2800,15 +2800,15 @@ │ │ │ │ In [265]: df.to_json(orient='records', lines=True) │ │ │ │ Out[265]: '{"a":1,"b":2}\n{"a":3,"b":4}' │ │ │ │ │ │ │ │ # reader is an iterator that returns `chunksize` lines each iteration │ │ │ │ In [266]: reader = pd.read_json(StringIO(jsonl), lines=True, chunksize=1) │ │ │ │ │ │ │ │ In [267]: reader │ │ │ │ -Out[267]: <pandas.io.json._json.JsonReader at 0xe7170118> │ │ │ │ +Out[267]: <pandas.io.json._json.JsonReader at 0xa5144ad8> │ │ │ │ │ │ │ │ In [268]: for chunk in reader: │ │ │ │ .....: print(chunk) │ │ │ │ .....: │ │ │ │ Empty DataFrame │ │ │ │ Columns: [] │ │ │ │ Index: [] │ │ │ │ @@ -4869,19 +4869,19 @@ │ │ │ │ 5 0.852727 0.463819 0.146262 string 1 True 2001-01-02 │ │ │ │ 6 -1.177365 0.793644 -0.131959 string 1 True 2001-01-02 │ │ │ │ 7 1.236988 0.221252 0.089012 string 1 True 2001-01-02 │ │ │ │ │ │ │ │ In [393]: df_mixed1.dtypes.value_counts() │ │ │ │ Out[393]: │ │ │ │ float64 2 │ │ │ │ +int64 1 │ │ │ │ +bool 1 │ │ │ │ datetime64[ns] 1 │ │ │ │ object 1 │ │ │ │ float32 1 │ │ │ │ -int64 1 │ │ │ │ -bool 1 │ │ │ │ dtype: int64 │ │ │ │ │ │ │ │ # we have provided a minimum string column size │ │ │ │ In [394]: store.root.df_mixed.table │ │ │ │ Out[394]: │ │ │ │ /df_mixed/table (Table(8,)) '' │ │ │ │ description := { │ │ │ │ ├── html2text {} │ │ │ │ │ @@ -1717,15 +1717,15 @@ │ │ │ │ │ 8 8 1.075770 -0.109050 1.643563 -1.469388 │ │ │ │ │ 9 9 0.357021 -0.674600 -1.776904 -0.968914 │ │ │ │ │ By specifying a chunksize to read_csv, the return value will be an iterable │ │ │ │ │ object of type TextFileReader: │ │ │ │ │ In [190]: reader = pd.read_csv('tmp.sv', sep='|', chunksize=4) │ │ │ │ │ │ │ │ │ │ In [191]: reader │ │ │ │ │ -Out[191]:│ │ │ │ │ +Out[191]: │ │ │ │ │ │ │ │ │ │ In [192]: for chunk in reader: │ │ │ │ │ .....: print(chunk) │ │ │ │ │ .....: │ │ │ │ │ Unnamed: 0 0 1 2 3 │ │ │ │ │ 0 0 0.469112 -0.282863 -1.509059 -1.135632 │ │ │ │ │ 1 1 1.212112 -0.173215 0.119209 -1.044236 │ │ │ │ │ @@ -2220,23 +2220,23 @@ │ │ │ │ │ │ │ │ │ │ In [248]: randfloats.shape = (1000, 10) │ │ │ │ │ │ │ │ │ │ In [249]: dffloats = pd.DataFrame(randfloats, columns=list('ABCDEFGHIJ')) │ │ │ │ │ │ │ │ │ │ In [250]: jsonfloats = dffloats.to_json() │ │ │ │ │ In [251]: %timeit pd.read_json(jsonfloats) │ │ │ │ │ -42.5 ms +- 231 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +43.5 ms +- 688 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [252]: %timeit pd.read_json(jsonfloats, numpy=True) │ │ │ │ │ -29.7 ms +- 167 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +30.5 ms +- 303 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ The speedup is less noticeable for smaller datasets: │ │ │ │ │ In [253]: jsonfloats = dffloats.head(100).to_json() │ │ │ │ │ In [254]: %timeit pd.read_json(jsonfloats) │ │ │ │ │ -25.3 ms +- 668 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +25.3 ms +- 198 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ In [255]: %timeit pd.read_json(jsonfloats, numpy=True) │ │ │ │ │ -20.9 ms +- 238 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ +21.5 ms +- 58 us per loop (mean +- std. dev. of 7 runs, 10 loops each) │ │ │ │ │ Warning │ │ │ │ │ Direct NumPy decoding makes a number of assumptions and may fail or produce │ │ │ │ │ unexpected output if these assumptions are not satisfied: │ │ │ │ │ * data is numeric. │ │ │ │ │ * data is uniform. The dtype is sniffed from the first value │ │ │ │ │ decoded. A ValueError may be raised, or incorrect output may be │ │ │ │ │ produced if this condition is not satisfied. │ │ │ │ │ @@ -2319,15 +2319,15 @@ │ │ │ │ │ In [265]: df.to_json(orient='records', lines=True) │ │ │ │ │ Out[265]: '{"a":1,"b":2}\n{"a":3,"b":4}' │ │ │ │ │ │ │ │ │ │ # reader is an iterator that returns `chunksize` lines each iteration │ │ │ │ │ In [266]: reader = pd.read_json(StringIO(jsonl), lines=True, chunksize=1) │ │ │ │ │ │ │ │ │ │ In [267]: reader │ │ │ │ │ -Out[267]: │ │ │ │ │ +Out[267]: │ │ │ │ │ │ │ │ │ │ In [268]: for chunk in reader: │ │ │ │ │ .....: print(chunk) │ │ │ │ │ .....: │ │ │ │ │ Empty DataFrame │ │ │ │ │ Columns: [] │ │ │ │ │ Index: [] │ │ │ │ │ @@ -3948,19 +3948,19 @@ │ │ │ │ │ 5 0.852727 0.463819 0.146262 string 1 True 2001-01-02 │ │ │ │ │ 6 -1.177365 0.793644 -0.131959 string 1 True 2001-01-02 │ │ │ │ │ 7 1.236988 0.221252 0.089012 string 1 True 2001-01-02 │ │ │ │ │ │ │ │ │ │ In [393]: df_mixed1.dtypes.value_counts() │ │ │ │ │ Out[393]: │ │ │ │ │ float64 2 │ │ │ │ │ +int64 1 │ │ │ │ │ +bool 1 │ │ │ │ │ datetime64[ns] 1 │ │ │ │ │ object 1 │ │ │ │ │ float32 1 │ │ │ │ │ -int64 1 │ │ │ │ │ -bool 1 │ │ │ │ │ dtype: int64 │ │ │ │ │ │ │ │ │ │ # we have provided a minimum string column size │ │ │ │ │ In [394]: store.root.df_mixed.table │ │ │ │ │ Out[394]: │ │ │ │ │ /df_mixed/table (Table(8,)) '' │ │ │ │ │ description := { │ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/missing_data.html │ │ │ │┄ Ordering differences only │ │ │ │ @@ -232,17 +232,17 @@ │ │ │ │ e 0.119209 -1.044236 -0.861849 bar True 2012-01-01 │ │ │ │ f -2.104569 -0.494929 1.071804 bar False 2012-01-01 │ │ │ │ h NaN -0.706771 -1.039575 bar True NaT │ │ │ │ │ │ │ │ In [20]: df2.dtypes.value_counts() │ │ │ │ Out[20]: │ │ │ │ float64 3 │ │ │ │ -datetime64[ns] 1 │ │ │ │ -object 1 │ │ │ │ bool 1 │ │ │ │ +object 1 │ │ │ │ +datetime64[ns] 1 │ │ │ │ dtype: int64 │ │ │ │
Some readers, like pandas.read_csv(), offer parameters to control the
│ │ │ │ chunksize when reading a single file.
Manually chunking is an OK option for workflows that don’t
│ │ │ │ require too sophisticated of operations. Some operations, like groupby, are
│ │ │ │ ├── html2text {}
│ │ │ │ │ @@ -279,16 +279,16 @@
│ │ │ │ │ ....: files = pathlib.Path("data/timeseries/").glob("ts*.parquet")
│ │ │ │ │ ....: counts = pd.Series(dtype=int)
│ │ │ │ │ ....: for path in files:
│ │ │ │ │ ....: df = pd.read_parquet(path)
│ │ │ │ │ ....: counts = counts.add(df['name'].value_counts(), fill_value=0)
│ │ │ │ │ ....: counts.astype(int)
│ │ │ │ │ ....:
│ │ │ │ │ -CPU times: user 2.17 ms, sys: 0 ns, total: 2.17 ms
│ │ │ │ │ -Wall time: 2.19 ms
│ │ │ │ │ +CPU times: user 2.83 ms, sys: 0 ns, total: 2.83 ms
│ │ │ │ │ +Wall time: 2.85 ms
│ │ │ │ │ Out[19]: Series([], dtype: int32)
│ │ │ │ │ Some readers, like pandas.read_csv(), offer parameters to control the chunksize
│ │ │ │ │ when reading a single file.
│ │ │ │ │ Manually chunking is an OK option for workflows that donât require too
│ │ │ │ │ sophisticated of operations. Some operations, like groupby, are much harder to
│ │ │ │ │ do chunkwise. In these cases, you may be better switching to a different
│ │ │ │ │ library that implements these out-of-core algorithms for you.
│ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/style.html
│ │ │ │ @@ -341,94 +341,94 @@
│ │ │ │
│ │ │ │
[3]:
│ │ │ │ | A | B | C | D | E |
|---|
| A | B | C | D | E | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | │ │ │ │ -1.000000 | │ │ │ │ -1.329212 | │ │ │ │ -nan | │ │ │ │ --0.316280 | │ │ │ │ --0.990810 | │ │ │ │ -||||||
| 1 | │ │ │ │ -2.000000 | │ │ │ │ --1.070816 | │ │ │ │ --1.438713 | │ │ │ │ -0.564417 | │ │ │ │ -0.295722 | │ │ │ │ -||||||
| 2 | │ │ │ │ -3.000000 | │ │ │ │ --1.626404 | │ │ │ │ -0.219565 | │ │ │ │ -0.678805 | │ │ │ │ -1.889273 | │ │ │ │ -||||||
| 3 | │ │ │ │ -4.000000 | │ │ │ │ -0.961538 | │ │ │ │ -0.104011 | │ │ │ │ -nan | │ │ │ │ -0.850229 | │ │ │ │ -||||||
| 4 | │ │ │ │ -5.000000 | │ │ │ │ -1.453425 | │ │ │ │ -1.057737 | │ │ │ │ -0.165562 | │ │ │ │ -0.515018 | │ │ │ │ -||||||
| 5 | │ │ │ │ -6.000000 | │ │ │ │ --1.336936 | │ │ │ │ -0.562861 | │ │ │ │ -1.392855 | │ │ │ │ --0.063328 | │ │ │ │ -||||||
| 6 | │ │ │ │ -7.000000 | │ │ │ │ -0.121668 | │ │ │ │ -1.207603 | │ │ │ │ --0.002040 | │ │ │ │ -1.627796 | │ │ │ │ -||||||
| 7 | │ │ │ │ -8.000000 | │ │ │ │ -0.354493 | │ │ │ │ -1.037528 | │ │ │ │ --0.385684 | │ │ │ │ -0.519818 | │ │ │ │ -||||||
| 8 | │ │ │ │ -9.000000 | │ │ │ │ -1.686583 | │ │ │ │ --1.325963 | │ │ │ │ -1.428984 | │ │ │ │ --2.089354 | │ │ │ │ -||||||
| 9 | │ │ │ │ -10.000000 | │ │ │ │ --0.129820 | │ │ │ │ -0.631523 | │ │ │ │ --0.586538 | │ │ │ │ -0.290720 | │ │ │ │ +0 | │ │ │ │ +1.000000 | │ │ │ │ +1.329212 | │ │ │ │ +nan | │ │ │ │ +-0.316280 | │ │ │ │ +-0.990810 | │ │ │ │ +
| 1 | │ │ │ │ +2.000000 | │ │ │ │ +-1.070816 | │ │ │ │ +-1.438713 | │ │ │ │ +0.564417 | │ │ │ │ +0.295722 | │ │ │ │ +||||||
| 2 | │ │ │ │ +3.000000 | │ │ │ │ +-1.626404 | │ │ │ │ +0.219565 | │ │ │ │ +0.678805 | │ │ │ │ +1.889273 | │ │ │ │ +||||||
| 3 | │ │ │ │ +4.000000 | │ │ │ │ +0.961538 | │ │ │ │ +0.104011 | │ │ │ │ +nan | │ │ │ │ +0.850229 | │ │ │ │ +||||||
| 4 | │ │ │ │ +5.000000 | │ │ │ │ +1.453425 | │ │ │ │ +1.057737 | │ │ │ │ +0.165562 | │ │ │ │ +0.515018 | │ │ │ │ +||||||
| 5 | │ │ │ │ +6.000000 | │ │ │ │ +-1.336936 | │ │ │ │ +0.562861 | │ │ │ │ +1.392855 | │ │ │ │ +-0.063328 | │ │ │ │ +||||||
| 6 | │ │ │ │ +7.000000 | │ │ │ │ +0.121668 | │ │ │ │ +1.207603 | │ │ │ │ +-0.002040 | │ │ │ │ +1.627796 | │ │ │ │ +||||||
| 7 | │ │ │ │ +8.000000 | │ │ │ │ +0.354493 | │ │ │ │ +1.037528 | │ │ │ │ +-0.385684 | │ │ │ │ +0.519818 | │ │ │ │ +||||||
| 8 | │ │ │ │ +9.000000 | │ │ │ │ +1.686583 | │ │ │ │ +-1.325963 | │ │ │ │ +1.428984 | │ │ │ │ +-2.089354 | │ │ │ │ +||||||
| 9 | │ │ │ │ +10.000000 | │ │ │ │ +-0.129820 | │ │ │ │ +0.631523 | │ │ │ │ +-0.586538 | │ │ │ │ +0.290720 | │ │ │ │
Note: The DataFrame.style attribute is a property that returns a Styler object. Styler has a _repr_html_ method defined on it so they are rendered automatically. If you want the actual HTML back for further processing or for writing to file call the .render() method which returns a string.
The above output looks very similar to the standard DataFrame HTML representation. But we’ve done some work behind the scenes to attach CSS classes to each cell. We can view these by calling the .render method.
[4]:
│ │ │ │ @@ -442,23 +442,23 @@
│ │ │ │
│ │ │ │ [4]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ ['<style type="text/css" >',
│ │ │ │ - '#T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row0_col2,#T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row3_col3{',
│ │ │ │ + '#T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col2,#T_21ccd48a_acca_11ee_b35a_99e6967947e0row3_col3{',
│ │ │ │ ' background-color: red;',
│ │ │ │ - ' }</style><table id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7" ><thead> <tr> <th class="blank level0" ></th> <th class="col_heading level0 col0" >A</th> <th class="col_heading level0 col1" >B</th> <th class="col_heading level0 col2" >C</th> <th class="col_heading level0 col3" >D</th> <th class="col_heading level0 col4" >E</th> </tr></thead><tbody>',
│ │ │ │ + ' }</style><table id="T_21ccd48a_acca_11ee_b35a_99e6967947e0" ><thead> <tr> <th class="blank level0" ></th> <th class="col_heading level0 col0" >A</th> <th class="col_heading level0 col1" >B</th> <th class="col_heading level0 col2" >C</th> <th class="col_heading level0 col3" >D</th> <th class="col_heading level0 col4" >E</th> </tr></thead><tbody>',
│ │ │ │ ' <tr>',
│ │ │ │ - ' <th id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7level0_row0" class="row_heading level0 row0" >0</th>',
│ │ │ │ - ' <td id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row0_col0" class="data row0 col0" >1.000000</td>',
│ │ │ │ - ' <td id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row0_col1" class="data row0 col1" >1.329212</td>',
│ │ │ │ - ' <td id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row0_col2" class="data row0 col2" >nan</td>',
│ │ │ │ - ' <td id="T_1f2f6ab4_acb9_11ee_9a25_5705c22b44d7row0_col3" class="data row0 col3" >-0.316280</td>']
│ │ │ │ + ' <th id="T_21ccd48a_acca_11ee_b35a_99e6967947e0level0_row0" class="row_heading level0 row0" >0</th>',
│ │ │ │ + ' <td id="T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col0" class="data row0 col0" >1.000000</td>',
│ │ │ │ + ' <td id="T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col1" class="data row0 col1" >1.329212</td>',
│ │ │ │ + ' <td id="T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col2" class="data row0 col2" >nan</td>',
│ │ │ │ + ' <td id="T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col3" class="data row0 col3" >-0.316280</td>']
│ │ │ │
│ │ │ │
│ │ │ │ The row0_col2 is the identifier for that particular cell. We’ve also prepended each row/column identifier with a UUID unique to each DataFrame so that the style from one doesn’t collide with the styling from another within the same notebook or page (you can set the uuid if you’d like to tie together the styling of two DataFrames).
│ │ │ │ When writing style functions, you take care of producing the CSS attribute / value pairs you want. Pandas matches those up with the CSS classes that identify each cell.
│ │ │ │ Let’s write a simple style function that will color negative numbers red and positive numbers black.
│ │ │ │
│ │ │ │ [5]:
│ │ │ │ @@ -489,98 +489,98 @@
│ │ │ │
│ │ │ │
│ │ │ │ [6]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Notice the similarity with the standard df.applymap, which operates on DataFrames elementwise. We want you to be able to reuse your existing knowledge of how to interact with DataFrames.
│ │ │ │ Notice also that our function returned a string containing the CSS attribute and value, separated by a colon just like in a <style> tag. This will be a common theme.
│ │ │ │ Finally, the input shapes matched. Styler.applymap calls the function on each scalar input, and the function returns a scalar output.
│ │ │ │ Now suppose you wanted to highlight the maximum value in each column. We can’t use .applymap anymore since that operated elementwise. Instead, we’ll turn to .apply which operates columnwise (or rowwise using the axis keyword). Later on we’ll see that something like highlight_max is already defined on Styler so you wouldn’t need to write this yourself.
│ │ │ │ @@ -609,96 +609,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [8]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ In this case the input is a Series, one column at a time. Notice that the output shape of highlight_max matches the input shape, an array with len(s) items.
│ │ │ │ We encourage you to use method chains to build up a style piecewise, before finally rending at the end of the chain.
│ │ │ │
│ │ │ │ [9]:
│ │ │ │ @@ -713,101 +713,101 @@
│ │ │ │
│ │ │ │
│ │ │ │ [9]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Above we used Styler.apply to pass in each column one at a time.
│ │ │ │ Debugging Tip: If you’re having trouble writing your style function, try just passing it into DataFrame.apply. Internally, Styler.apply uses DataFrame.apply so the result should be the same.
│ │ │ │ What if you wanted to highlight just the maximum value in the entire table? Use .apply(function, axis=None) to indicate that your function wants the entire table, not one column or row at a time. Let’s try that next.
│ │ │ │ We’ll rewrite our highlight-max to handle either Series (from .apply(axis=0 or 1)) or DataFrames (from .apply(axis=None)). We’ll also allow the color to be adjustable, to demonstrate that .apply, and .applymap pass along keyword arguments.
│ │ │ │ @@ -843,96 +843,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [11]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Building Styles Summary¶
│ │ │ │ Style functions should return strings with one or more CSS attribute: value delimited by semicolons. Use
│ │ │ │
│ │ │ │ @@ -965,96 +965,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [12]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ For row and column slicing, any valid indexer to .loc will work.
│ │ │ │
│ │ │ │ [13]:
│ │ │ │
│ │ │ │ @@ -1067,98 +1067,98 @@
│ │ │ │
│ │ │ │
│ │ │ │ [13]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Only label-based slicing is supported right now, not positional.
│ │ │ │ If your style function uses a subset or axis keyword argument, consider wrapping your function in a functools.partial, partialing out that keyword.
│ │ │ │ my_func2 = functools.partial(my_func, subset=42)
│ │ │ │
│ │ │ │ @@ -1178,94 +1178,94 @@
│ │ │ │
│ │ │ │
│ │ │ │ [14]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 100.00%
│ │ │ │ - 132.92%
│ │ │ │ - nan%
│ │ │ │ - -31.63%
│ │ │ │ - -99.08%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 200.00%
│ │ │ │ - -107.08%
│ │ │ │ - -143.87%
│ │ │ │ - 56.44%
│ │ │ │ - 29.57%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 300.00%
│ │ │ │ - -162.64%
│ │ │ │ - 21.96%
│ │ │ │ - 67.88%
│ │ │ │ - 188.93%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 400.00%
│ │ │ │ - 96.15%
│ │ │ │ - 10.40%
│ │ │ │ - nan%
│ │ │ │ - 85.02%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 500.00%
│ │ │ │ - 145.34%
│ │ │ │ - 105.77%
│ │ │ │ - 16.56%
│ │ │ │ - 51.50%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 600.00%
│ │ │ │ - -133.69%
│ │ │ │ - 56.29%
│ │ │ │ - 139.29%
│ │ │ │ - -6.33%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 700.00%
│ │ │ │ - 12.17%
│ │ │ │ - 120.76%
│ │ │ │ - -0.20%
│ │ │ │ - 162.78%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 800.00%
│ │ │ │ - 35.45%
│ │ │ │ - 103.75%
│ │ │ │ - -38.57%
│ │ │ │ - 51.98%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 900.00%
│ │ │ │ - 168.66%
│ │ │ │ - -132.60%
│ │ │ │ - 142.90%
│ │ │ │ - -208.94%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 1000.00%
│ │ │ │ - -12.98%
│ │ │ │ - 63.15%
│ │ │ │ - -58.65%
│ │ │ │ - 29.07%
│ │ │ │ + 0
│ │ │ │ + 100.00%
│ │ │ │ + 132.92%
│ │ │ │ + nan%
│ │ │ │ + -31.63%
│ │ │ │ + -99.08%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 200.00%
│ │ │ │ + -107.08%
│ │ │ │ + -143.87%
│ │ │ │ + 56.44%
│ │ │ │ + 29.57%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 300.00%
│ │ │ │ + -162.64%
│ │ │ │ + 21.96%
│ │ │ │ + 67.88%
│ │ │ │ + 188.93%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 400.00%
│ │ │ │ + 96.15%
│ │ │ │ + 10.40%
│ │ │ │ + nan%
│ │ │ │ + 85.02%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 500.00%
│ │ │ │ + 145.34%
│ │ │ │ + 105.77%
│ │ │ │ + 16.56%
│ │ │ │ + 51.50%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 600.00%
│ │ │ │ + -133.69%
│ │ │ │ + 56.29%
│ │ │ │ + 139.29%
│ │ │ │ + -6.33%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 700.00%
│ │ │ │ + 12.17%
│ │ │ │ + 120.76%
│ │ │ │ + -0.20%
│ │ │ │ + 162.78%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 800.00%
│ │ │ │ + 35.45%
│ │ │ │ + 103.75%
│ │ │ │ + -38.57%
│ │ │ │ + 51.98%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 900.00%
│ │ │ │ + 168.66%
│ │ │ │ + -132.60%
│ │ │ │ + 142.90%
│ │ │ │ + -208.94%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 1000.00%
│ │ │ │ + -12.98%
│ │ │ │ + 63.15%
│ │ │ │ + -58.65%
│ │ │ │ + 29.07%
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Use a dictionary to format specific columns.
│ │ │ │
│ │ │ │ [15]:
│ │ │ │
│ │ │ │ @@ -1277,94 +1277,94 @@
│ │ │ │
│ │ │ │
│ │ │ │ [15]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1000
│ │ │ │ - nan
│ │ │ │ - -0.32
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -100
│ │ │ │ - -1.438713
│ │ │ │ - +0.56
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -200
│ │ │ │ - 0.219565
│ │ │ │ - +0.68
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 1000
│ │ │ │ - 0.104011
│ │ │ │ - +nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1000
│ │ │ │ - 1.057737
│ │ │ │ - +0.17
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -100
│ │ │ │ - 0.562861
│ │ │ │ - +1.39
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0000
│ │ │ │ - 1.207603
│ │ │ │ - -0.00
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0000
│ │ │ │ - 1.037528
│ │ │ │ - -0.39
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 2000
│ │ │ │ - -1.325963
│ │ │ │ - +1.43
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -000
│ │ │ │ - 0.631523
│ │ │ │ - -0.59
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1000
│ │ │ │ + nan
│ │ │ │ + -0.32
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -100
│ │ │ │ + -1.438713
│ │ │ │ + +0.56
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -200
│ │ │ │ + 0.219565
│ │ │ │ + +0.68
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 1000
│ │ │ │ + 0.104011
│ │ │ │ + +nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1000
│ │ │ │ + 1.057737
│ │ │ │ + +0.17
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -100
│ │ │ │ + 0.562861
│ │ │ │ + +1.39
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0000
│ │ │ │ + 1.207603
│ │ │ │ + -0.00
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0000
│ │ │ │ + 1.037528
│ │ │ │ + -0.39
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 2000
│ │ │ │ + -1.325963
│ │ │ │ + +1.43
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -000
│ │ │ │ + 0.631523
│ │ │ │ + -0.59
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Or pass in a callable (or dictionary of callables) for more flexible handling.
│ │ │ │
│ │ │ │ [16]:
│ │ │ │
│ │ │ │ @@ -1376,94 +1376,94 @@
│ │ │ │
│ │ │ │
│ │ │ │ [16]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - ±1.33
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - ±1.07
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - ±1.63
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - ±0.96
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - ±1.45
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - ±1.34
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - ±0.12
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - ±0.35
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - ±1.69
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - ±0.13
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + ±1.33
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + ±1.07
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + ±1.63
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + ±0.96
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + ±1.45
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + ±1.34
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + ±0.12
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + ±0.35
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + ±1.69
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + ±0.13
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ You can format the text displayed for missing values by na_rep.
│ │ │ │
│ │ │ │ [17]:
│ │ │ │
│ │ │ │ @@ -1475,94 +1475,94 @@
│ │ │ │
│ │ │ │
│ │ │ │ [17]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 100.00%
│ │ │ │ - 132.92%
│ │ │ │ - -
│ │ │ │ - -31.63%
│ │ │ │ - -99.08%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 200.00%
│ │ │ │ - -107.08%
│ │ │ │ - -143.87%
│ │ │ │ - 56.44%
│ │ │ │ - 29.57%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 300.00%
│ │ │ │ - -162.64%
│ │ │ │ - 21.96%
│ │ │ │ - 67.88%
│ │ │ │ - 188.93%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 400.00%
│ │ │ │ - 96.15%
│ │ │ │ - 10.40%
│ │ │ │ - -
│ │ │ │ - 85.02%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 500.00%
│ │ │ │ - 145.34%
│ │ │ │ - 105.77%
│ │ │ │ - 16.56%
│ │ │ │ - 51.50%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 600.00%
│ │ │ │ - -133.69%
│ │ │ │ - 56.29%
│ │ │ │ - 139.29%
│ │ │ │ - -6.33%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 700.00%
│ │ │ │ - 12.17%
│ │ │ │ - 120.76%
│ │ │ │ - -0.20%
│ │ │ │ - 162.78%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 800.00%
│ │ │ │ - 35.45%
│ │ │ │ - 103.75%
│ │ │ │ - -38.57%
│ │ │ │ - 51.98%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 900.00%
│ │ │ │ - 168.66%
│ │ │ │ - -132.60%
│ │ │ │ - 142.90%
│ │ │ │ - -208.94%
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 1000.00%
│ │ │ │ - -12.98%
│ │ │ │ - 63.15%
│ │ │ │ - -58.65%
│ │ │ │ - 29.07%
│ │ │ │ + 0
│ │ │ │ + 100.00%
│ │ │ │ + 132.92%
│ │ │ │ + -
│ │ │ │ + -31.63%
│ │ │ │ + -99.08%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 200.00%
│ │ │ │ + -107.08%
│ │ │ │ + -143.87%
│ │ │ │ + 56.44%
│ │ │ │ + 29.57%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 300.00%
│ │ │ │ + -162.64%
│ │ │ │ + 21.96%
│ │ │ │ + 67.88%
│ │ │ │ + 188.93%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 400.00%
│ │ │ │ + 96.15%
│ │ │ │ + 10.40%
│ │ │ │ + -
│ │ │ │ + 85.02%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 500.00%
│ │ │ │ + 145.34%
│ │ │ │ + 105.77%
│ │ │ │ + 16.56%
│ │ │ │ + 51.50%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 600.00%
│ │ │ │ + -133.69%
│ │ │ │ + 56.29%
│ │ │ │ + 139.29%
│ │ │ │ + -6.33%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 700.00%
│ │ │ │ + 12.17%
│ │ │ │ + 120.76%
│ │ │ │ + -0.20%
│ │ │ │ + 162.78%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 800.00%
│ │ │ │ + 35.45%
│ │ │ │ + 103.75%
│ │ │ │ + -38.57%
│ │ │ │ + 51.98%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 900.00%
│ │ │ │ + 168.66%
│ │ │ │ + -132.60%
│ │ │ │ + 142.90%
│ │ │ │ + -208.94%
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 1000.00%
│ │ │ │ + -12.98%
│ │ │ │ + 63.15%
│ │ │ │ + -58.65%
│ │ │ │ + 29.07%
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ These formatting techniques can be used in combination with styling.
│ │ │ │
│ │ │ │ [18]:
│ │ │ │
│ │ │ │ @@ -1574,96 +1574,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [18]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - -
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - -
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + -
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + -
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Builtin styles¶
│ │ │ │ Finally, we expect certain styling functions to be common enough that we’ve included a few “built-in” to the Styler, so you don’t have to write them yourself.
│ │ │ │ @@ -1678,96 +1678,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [19]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ You can create “heatmaps” with the background_gradient method. These require matplotlib, and we’ll use Seaborn to get a nice colormap.
│ │ │ │
│ │ │ │ [20]:
│ │ │ │
│ │ │ │ @@ -1784,199 +1784,199 @@
│ │ │ │
│ │ │ │
│ │ │ │ [20]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Styler.background_gradient takes the keyword arguments low and high. Roughly speaking these extend the range of your data by low and high percent so that when we convert the colors, the colormap’s entire range isn’t used. This is useful so that you can actually read the text still.
│ │ │ │
│ │ │ │ [21]:
│ │ │ │
│ │ │ │ @@ -1989,102 +1989,102 @@
│ │ │ │
│ │ │ │
│ │ │ │ [21]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ [22]:
│ │ │ │
│ │ │ │
│ │ │ │ @@ -2099,103 +2099,103 @@
│ │ │ │
│ │ │ │
│ │ │ │ [22]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ There’s also .highlight_min and .highlight_max.
│ │ │ │
│ │ │ │ [23]:
│ │ │ │
│ │ │ │ @@ -2207,96 +2207,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [23]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Use Styler.set_properties when the style doesn’t actually depend on the values.
│ │ │ │
│ │ │ │ [24]:
│ │ │ │
│ │ │ │ @@ -2310,98 +2310,98 @@
│ │ │ │
│ │ │ │
│ │ │ │ [24]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Bar charts¶
│ │ │ │ You can include “bar charts” in your DataFrame.
│ │ │ │
│ │ │ │ @@ -2415,165 +2415,165 @@
│ │ │ │
│ │ │ │
│ │ │ │ [25]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ New in version 0.20.0 is the ability to customize further the bar chart: You can now have the df.style.bar be centered on zero or midpoint value (in addition to the already existing way of having the min value at the left side of the cell), and you can pass a list of [color_negative, color_positive].
│ │ │ │ Here’s how you can change the above with the new align='mid' option:
│ │ │ │
│ │ │ │ [26]:
│ │ │ │ @@ -2586,174 +2586,174 @@
│ │ │ │
│ │ │ │
│ │ │ │ [26]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ The following example aims to give a highlight of the behavior of the new align options:
│ │ │ │
│ │ │ │ [27]:
│ │ │ │
│ │ │ │ @@ -2811,313 +2811,313 @@
│ │ │ │ All Negative
│ │ │ │ All Positive
│ │ │ │ Both Neg and Pos
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ left
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -100
│ │ │ │ + 0
│ │ │ │ + -100
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -60
│ │ │ │ + 1
│ │ │ │ + -60
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - -30
│ │ │ │ + 2
│ │ │ │ + -30
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - -20
│ │ │ │ + 3
│ │ │ │ + -20
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 10
│ │ │ │ + 0
│ │ │ │ + 10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - 20
│ │ │ │ + 1
│ │ │ │ + 20
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 50
│ │ │ │ + 2
│ │ │ │ + 50
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 100
│ │ │ │ + 3
│ │ │ │ + 100
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -10
│ │ │ │ + 0
│ │ │ │ + -10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -5
│ │ │ │ + 1
│ │ │ │ + -5
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 0
│ │ │ │ + 2
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 90
│ │ │ │ + 3
│ │ │ │ + 90
│ │ │ │
│ │ │ │
zero
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -100
│ │ │ │ + 0
│ │ │ │ + -100
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -60
│ │ │ │ + 1
│ │ │ │ + -60
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - -30
│ │ │ │ + 2
│ │ │ │ + -30
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - -20
│ │ │ │ + 3
│ │ │ │ + -20
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 10
│ │ │ │ + 0
│ │ │ │ + 10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - 20
│ │ │ │ + 1
│ │ │ │ + 20
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 50
│ │ │ │ + 2
│ │ │ │ + 50
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 100
│ │ │ │ + 3
│ │ │ │ + 100
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -10
│ │ │ │ + 0
│ │ │ │ + -10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -5
│ │ │ │ + 1
│ │ │ │ + -5
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 0
│ │ │ │ + 2
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 90
│ │ │ │ + 3
│ │ │ │ + 90
│ │ │ │
│ │ │ │
mid
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -100
│ │ │ │ + 0
│ │ │ │ + -100
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -60
│ │ │ │ + 1
│ │ │ │ + -60
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - -30
│ │ │ │ + 2
│ │ │ │ + -30
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - -20
│ │ │ │ + 3
│ │ │ │ + -20
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 10
│ │ │ │ + 0
│ │ │ │ + 10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - 20
│ │ │ │ + 1
│ │ │ │ + 20
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 50
│ │ │ │ + 2
│ │ │ │ + 50
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 100
│ │ │ │ + 3
│ │ │ │ + 100
│ │ │ │
│ │ │ │
│ │ │ │ + }
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -10
│ │ │ │ + 0
│ │ │ │ + -10
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - -5
│ │ │ │ + 1
│ │ │ │ + -5
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 0
│ │ │ │ + 2
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 90
│ │ │ │ + 3
│ │ │ │ + 90
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ @@ -3137,98 +3137,98 @@
│ │ │ │
│ │ │ │
│ │ │ │ [28]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ [29]:
│ │ │ │
│ │ │ │
│ │ │ │ @@ -3241,98 +3241,98 @@
│ │ │ │
│ │ │ │
│ │ │ │ [29]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - -1.000000
│ │ │ │ - -1.329212
│ │ │ │ - nan
│ │ │ │ - 0.316280
│ │ │ │ - 0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - -2.000000
│ │ │ │ - 1.070816
│ │ │ │ - 1.438713
│ │ │ │ - -0.564417
│ │ │ │ - -0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - -3.000000
│ │ │ │ - 1.626404
│ │ │ │ - -0.219565
│ │ │ │ - -0.678805
│ │ │ │ - -1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - -4.000000
│ │ │ │ - -0.961538
│ │ │ │ - -0.104011
│ │ │ │ - nan
│ │ │ │ - -0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - -5.000000
│ │ │ │ - -1.453425
│ │ │ │ - -1.057737
│ │ │ │ - -0.165562
│ │ │ │ - -0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - -6.000000
│ │ │ │ - 1.336936
│ │ │ │ - -0.562861
│ │ │ │ - -1.392855
│ │ │ │ - 0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - -7.000000
│ │ │ │ - -0.121668
│ │ │ │ - -1.207603
│ │ │ │ - 0.002040
│ │ │ │ - -1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - -8.000000
│ │ │ │ - -0.354493
│ │ │ │ - -1.037528
│ │ │ │ - 0.385684
│ │ │ │ - -0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - -9.000000
│ │ │ │ - -1.686583
│ │ │ │ - 1.325963
│ │ │ │ - -1.428984
│ │ │ │ - 2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - -10.000000
│ │ │ │ - 0.129820
│ │ │ │ - -0.631523
│ │ │ │ - 0.586538
│ │ │ │ - -0.290720
│ │ │ │ + 0
│ │ │ │ + -1.000000
│ │ │ │ + -1.329212
│ │ │ │ + nan
│ │ │ │ + 0.316280
│ │ │ │ + 0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + -2.000000
│ │ │ │ + 1.070816
│ │ │ │ + 1.438713
│ │ │ │ + -0.564417
│ │ │ │ + -0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + -3.000000
│ │ │ │ + 1.626404
│ │ │ │ + -0.219565
│ │ │ │ + -0.678805
│ │ │ │ + -1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + -4.000000
│ │ │ │ + -0.961538
│ │ │ │ + -0.104011
│ │ │ │ + nan
│ │ │ │ + -0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + -5.000000
│ │ │ │ + -1.453425
│ │ │ │ + -1.057737
│ │ │ │ + -0.165562
│ │ │ │ + -0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + -6.000000
│ │ │ │ + 1.336936
│ │ │ │ + -0.562861
│ │ │ │ + -1.392855
│ │ │ │ + 0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + -7.000000
│ │ │ │ + -0.121668
│ │ │ │ + -1.207603
│ │ │ │ + 0.002040
│ │ │ │ + -1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + -8.000000
│ │ │ │ + -0.354493
│ │ │ │ + -1.037528
│ │ │ │ + 0.385684
│ │ │ │ + -0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + -9.000000
│ │ │ │ + -1.686583
│ │ │ │ + 1.325963
│ │ │ │ + -1.428984
│ │ │ │ + 2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + -10.000000
│ │ │ │ + 0.129820
│ │ │ │ + -0.631523
│ │ │ │ + 0.586538
│ │ │ │ + -0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Notice that you’re able to share the styles even though they’re data aware. The styles are re-evaluated on the new DataFrame they’ve been used upon.
│ │ │ │
│ │ │ │
│ │ │ │ Other Options¶
│ │ │ │ @@ -3368,101 +3368,101 @@
│ │ │ │
│ │ │ │
│ │ │ │ [30]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.00
│ │ │ │ - 1.33
│ │ │ │ - nan
│ │ │ │ - -0.32
│ │ │ │ - -0.99
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.00
│ │ │ │ - -1.07
│ │ │ │ - -1.44
│ │ │ │ - 0.56
│ │ │ │ - 0.30
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.00
│ │ │ │ - -1.63
│ │ │ │ - 0.22
│ │ │ │ - 0.68
│ │ │ │ - 1.89
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.00
│ │ │ │ - 0.96
│ │ │ │ - 0.10
│ │ │ │ - nan
│ │ │ │ - 0.85
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.00
│ │ │ │ - 1.45
│ │ │ │ - 1.06
│ │ │ │ - 0.17
│ │ │ │ - 0.52
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.00
│ │ │ │ - -1.34
│ │ │ │ - 0.56
│ │ │ │ - 1.39
│ │ │ │ - -0.06
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.00
│ │ │ │ - 0.12
│ │ │ │ - 1.21
│ │ │ │ - -0.00
│ │ │ │ - 1.63
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.00
│ │ │ │ - 0.35
│ │ │ │ - 1.04
│ │ │ │ - -0.39
│ │ │ │ - 0.52
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.00
│ │ │ │ - 1.69
│ │ │ │ - -1.33
│ │ │ │ - 1.43
│ │ │ │ - -2.09
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.00
│ │ │ │ - -0.13
│ │ │ │ - 0.63
│ │ │ │ - -0.59
│ │ │ │ - 0.29
│ │ │ │ + 0
│ │ │ │ + 1.00
│ │ │ │ + 1.33
│ │ │ │ + nan
│ │ │ │ + -0.32
│ │ │ │ + -0.99
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.00
│ │ │ │ + -1.07
│ │ │ │ + -1.44
│ │ │ │ + 0.56
│ │ │ │ + 0.30
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.00
│ │ │ │ + -1.63
│ │ │ │ + 0.22
│ │ │ │ + 0.68
│ │ │ │ + 1.89
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.00
│ │ │ │ + 0.96
│ │ │ │ + 0.10
│ │ │ │ + nan
│ │ │ │ + 0.85
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.00
│ │ │ │ + 1.45
│ │ │ │ + 1.06
│ │ │ │ + 0.17
│ │ │ │ + 0.52
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.00
│ │ │ │ + -1.34
│ │ │ │ + 0.56
│ │ │ │ + 1.39
│ │ │ │ + -0.06
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.00
│ │ │ │ + 0.12
│ │ │ │ + 1.21
│ │ │ │ + -0.00
│ │ │ │ + 1.63
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.00
│ │ │ │ + 0.35
│ │ │ │ + 1.04
│ │ │ │ + -0.39
│ │ │ │ + 0.52
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.00
│ │ │ │ + 1.69
│ │ │ │ + -1.33
│ │ │ │ + 1.43
│ │ │ │ + -2.09
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.00
│ │ │ │ + -0.13
│ │ │ │ + 0.63
│ │ │ │ + -0.59
│ │ │ │ + 0.29
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Or through a set_precision method.
│ │ │ │
│ │ │ │ [31]:
│ │ │ │
│ │ │ │ @@ -3477,101 +3477,101 @@
│ │ │ │
│ │ │ │
│ │ │ │ [31]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.00
│ │ │ │ - 1.33
│ │ │ │ - nan
│ │ │ │ - -0.32
│ │ │ │ - -0.99
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.00
│ │ │ │ - -1.07
│ │ │ │ - -1.44
│ │ │ │ - 0.56
│ │ │ │ - 0.30
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.00
│ │ │ │ - -1.63
│ │ │ │ - 0.22
│ │ │ │ - 0.68
│ │ │ │ - 1.89
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.00
│ │ │ │ - 0.96
│ │ │ │ - 0.10
│ │ │ │ - nan
│ │ │ │ - 0.85
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.00
│ │ │ │ - 1.45
│ │ │ │ - 1.06
│ │ │ │ - 0.17
│ │ │ │ - 0.52
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.00
│ │ │ │ - -1.34
│ │ │ │ - 0.56
│ │ │ │ - 1.39
│ │ │ │ - -0.06
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.00
│ │ │ │ - 0.12
│ │ │ │ - 1.21
│ │ │ │ - -0.00
│ │ │ │ - 1.63
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.00
│ │ │ │ - 0.35
│ │ │ │ - 1.04
│ │ │ │ - -0.39
│ │ │ │ - 0.52
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.00
│ │ │ │ - 1.69
│ │ │ │ - -1.33
│ │ │ │ - 1.43
│ │ │ │ - -2.09
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.00
│ │ │ │ - -0.13
│ │ │ │ - 0.63
│ │ │ │ - -0.59
│ │ │ │ - 0.29
│ │ │ │ + 0
│ │ │ │ + 1.00
│ │ │ │ + 1.33
│ │ │ │ + nan
│ │ │ │ + -0.32
│ │ │ │ + -0.99
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.00
│ │ │ │ + -1.07
│ │ │ │ + -1.44
│ │ │ │ + 0.56
│ │ │ │ + 0.30
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.00
│ │ │ │ + -1.63
│ │ │ │ + 0.22
│ │ │ │ + 0.68
│ │ │ │ + 1.89
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.00
│ │ │ │ + 0.96
│ │ │ │ + 0.10
│ │ │ │ + nan
│ │ │ │ + 0.85
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.00
│ │ │ │ + 1.45
│ │ │ │ + 1.06
│ │ │ │ + 0.17
│ │ │ │ + 0.52
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.00
│ │ │ │ + -1.34
│ │ │ │ + 0.56
│ │ │ │ + 1.39
│ │ │ │ + -0.06
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.00
│ │ │ │ + 0.12
│ │ │ │ + 1.21
│ │ │ │ + -0.00
│ │ │ │ + 1.63
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.00
│ │ │ │ + 0.35
│ │ │ │ + 1.04
│ │ │ │ + -0.39
│ │ │ │ + 0.52
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.00
│ │ │ │ + 1.69
│ │ │ │ + -1.33
│ │ │ │ + 1.43
│ │ │ │ + -2.09
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.00
│ │ │ │ + -0.13
│ │ │ │ + 0.63
│ │ │ │ + -0.59
│ │ │ │ + 0.29
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Setting the precision only affects the printed number; the full-precision values are always passed to your style functions. You can always use df.round(2).style if you’d prefer to round from the start.
│ │ │ │
│ │ │ │
│ │ │ │ Captions¶
│ │ │ │ @@ -3588,199 +3588,199 @@
│ │ │ │
│ │ │ │
│ │ │ │ [32]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Colormaps, with a caption. A B C D E
│ │ │ │ + }Colormaps, with a caption. A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Table styles¶
│ │ │ │ The next option you have are “table styles”. These are styles that apply to the table as a whole, but don’t look at the data. Certain sytlings, including pseudo-selectors like :hover can only be used this way.
│ │ │ │ @@ -3809,101 +3809,101 @@
│ │ │ │
│ │ │ │
│ │ │ │ [33]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Hover to highlight. A B C D E
│ │ │ │ + }Hover to highlight. A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ table_styles should be a list of dictionaries. Each dictionary should have the selector and props keys. The value for selector should be a valid CSS selector. Recall that all the styles are already attached to an id, unique to each Styler. This selector is in addition to that id. The value for props should be a list of tuples of ('attribute', 'value').
│ │ │ │ table_styles are extremely flexible, but not as fun to type out by hand. We hope to collect some useful ones either in pandas, or preferable in a new package that builds on top the tools here.
│ │ │ │
│ │ │ │
│ │ │ │ @@ -3923,96 +3923,96 @@
│ │ │ │
│ │ │ │
│ │ │ │ [34]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - FAIL
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - PASS
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + FAIL
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + PASS
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Hiding the Index or Columns¶
│ │ │ │ The index can be hidden from rendering by calling Styler.hide_index. Columns can be hidden from rendering by calling Styler.hide_columns and passing in the name of a column, or a slice of columns.
│ │ │ │ @@ -4027,84 +4027,84 @@
│ │ │ │
│ │ │ │
│ │ │ │ [35]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + A B C D E
│ │ │ │
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │
│ │ │ │
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │
│ │ │ │
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │
│ │ │ │
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │
│ │ │ │
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │
│ │ │ │
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │
│ │ │ │
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │
│ │ │ │
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │
│ │ │ │
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ [36]:
│ │ │ │
│ │ │ │
│ │ │ │ @@ -4115,74 +4115,74 @@
│ │ │ │
│ │ │ │
│ │ │ │ [36]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B E
│ │ │ │ + A B E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - -0.990810
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + -0.990810
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - 0.295722
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + 0.295722
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 1.889273
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 1.889273
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.850229
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.850229
│ │ │ │
│ │ │ │
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 0.515018
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - -0.063328
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + -0.063328
│ │ │ │
│ │ │ │
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.627796
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.627796
│ │ │ │
│ │ │ │
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 0.519818
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 0.519818
│ │ │ │
│ │ │ │
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -2.089354
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -2.089354
│ │ │ │
│ │ │ │
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.290720
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ CSS classes¶
│ │ │ │ Certain CSS classes are attached to cells.
│ │ │ │ @@ -4246,181 +4246,181 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ A B C D E
│ │ │ │ + } A B C D E
│ │ │ │
│ │ │ │ - 0
│ │ │ │ - 1.000000
│ │ │ │ - 1.329212
│ │ │ │ - nan
│ │ │ │ - -0.316280
│ │ │ │ - -0.990810
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 1
│ │ │ │ - 2.000000
│ │ │ │ - -1.070816
│ │ │ │ - -1.438713
│ │ │ │ - 0.564417
│ │ │ │ - 0.295722
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 2
│ │ │ │ - 3.000000
│ │ │ │ - -1.626404
│ │ │ │ - 0.219565
│ │ │ │ - 0.678805
│ │ │ │ - 1.889273
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 3
│ │ │ │ - 4.000000
│ │ │ │ - 0.961538
│ │ │ │ - 0.104011
│ │ │ │ - nan
│ │ │ │ - 0.850229
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 4
│ │ │ │ - 5.000000
│ │ │ │ - 1.453425
│ │ │ │ - 1.057737
│ │ │ │ - 0.165562
│ │ │ │ - 0.515018
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 5
│ │ │ │ - 6.000000
│ │ │ │ - -1.336936
│ │ │ │ - 0.562861
│ │ │ │ - 1.392855
│ │ │ │ - -0.063328
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 6
│ │ │ │ - 7.000000
│ │ │ │ - 0.121668
│ │ │ │ - 1.207603
│ │ │ │ - -0.002040
│ │ │ │ - 1.627796
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 7
│ │ │ │ - 8.000000
│ │ │ │ - 0.354493
│ │ │ │ - 1.037528
│ │ │ │ - -0.385684
│ │ │ │ - 0.519818
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 8
│ │ │ │ - 9.000000
│ │ │ │ - 1.686583
│ │ │ │ - -1.325963
│ │ │ │ - 1.428984
│ │ │ │ - -2.089354
│ │ │ │ -
│ │ │ │ -
│ │ │ │ - 9
│ │ │ │ - 10.000000
│ │ │ │ - -0.129820
│ │ │ │ - 0.631523
│ │ │ │ - -0.586538
│ │ │ │ - 0.290720
│ │ │ │ + 0
│ │ │ │ + 1.000000
│ │ │ │ + 1.329212
│ │ │ │ + nan
│ │ │ │ + -0.316280
│ │ │ │ + -0.990810
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 1
│ │ │ │ + 2.000000
│ │ │ │ + -1.070816
│ │ │ │ + -1.438713
│ │ │ │ + 0.564417
│ │ │ │ + 0.295722
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 2
│ │ │ │ + 3.000000
│ │ │ │ + -1.626404
│ │ │ │ + 0.219565
│ │ │ │ + 0.678805
│ │ │ │ + 1.889273
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 3
│ │ │ │ + 4.000000
│ │ │ │ + 0.961538
│ │ │ │ + 0.104011
│ │ │ │ + nan
│ │ │ │ + 0.850229
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 4
│ │ │ │ + 5.000000
│ │ │ │ + 1.453425
│ │ │ │ + 1.057737
│ │ │ │ + 0.165562
│ │ │ │ + 0.515018
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 5
│ │ │ │ + 6.000000
│ │ │ │ + -1.336936
│ │ │ │ + 0.562861
│ │ │ │ + 1.392855
│ │ │ │ + -0.063328
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 6
│ │ │ │ + 7.000000
│ │ │ │ + 0.121668
│ │ │ │ + 1.207603
│ │ │ │ + -0.002040
│ │ │ │ + 1.627796
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 7
│ │ │ │ + 8.000000
│ │ │ │ + 0.354493
│ │ │ │ + 1.037528
│ │ │ │ + -0.385684
│ │ │ │ + 0.519818
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 8
│ │ │ │ + 9.000000
│ │ │ │ + 1.686583
│ │ │ │ + -1.325963
│ │ │ │ + 1.428984
│ │ │ │ + -2.089354
│ │ │ │ +
│ │ │ │ +
│ │ │ │ + 9
│ │ │ │ + 10.000000
│ │ │ │ + -0.129820
│ │ │ │ + 0.631523
│ │ │ │ + -0.586538
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ [38]:
│ │ │ │
│ │ │ │
│ │ │ │ @@ -4458,1583 +4458,1583 @@
│ │ │ │
│ │ │ │
│ │ │ │ [39]:
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Hover to magnify 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
│ │ │ │ + }Hover to magnify 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
│ │ │ │ + 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
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Export to Excel¶
│ │ │ │ New in version 0.20.0
│ │ │ │ @@ -6156,15 +6156,15 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ My Table
│ │ │ │
│ │ │ │ -
│ │ │ │ +
│ │ │ │
│ │ │ │
│ │ │ │ A
│ │ │ │ B
│ │ │ │ C
│ │ │ │ D
│ │ │ │ @@ -6174,237 +6174,237 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 0
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 1.000000
│ │ │ │ + 1.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.329212
│ │ │ │ + 1.329212
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - -0.316280
│ │ │ │ + -0.316280
│ │ │ │
│ │ │ │
│ │ │ │ - -0.990810
│ │ │ │ + -0.990810
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ + 1
│ │ │ │
│ │ │ │
│ │ │ │ - 2.000000
│ │ │ │ + 2.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.070816
│ │ │ │ + -1.070816
│ │ │ │
│ │ │ │
│ │ │ │ - -1.438713
│ │ │ │ + -1.438713
│ │ │ │
│ │ │ │
│ │ │ │ - 0.564417
│ │ │ │ + 0.564417
│ │ │ │
│ │ │ │
│ │ │ │ - 0.295722
│ │ │ │ + 0.295722
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ + 2
│ │ │ │
│ │ │ │
│ │ │ │ - 3.000000
│ │ │ │ + 3.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.626404
│ │ │ │ + -1.626404
│ │ │ │
│ │ │ │
│ │ │ │ - 0.219565
│ │ │ │ + 0.219565
│ │ │ │
│ │ │ │
│ │ │ │ - 0.678805
│ │ │ │ + 0.678805
│ │ │ │
│ │ │ │
│ │ │ │ - 1.889273
│ │ │ │ + 1.889273
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ + 3
│ │ │ │
│ │ │ │
│ │ │ │ - 4.000000
│ │ │ │ + 4.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.961538
│ │ │ │ + 0.961538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.104011
│ │ │ │ + 0.104011
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - 0.850229
│ │ │ │ + 0.850229
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 4
│ │ │ │ + 4
│ │ │ │
│ │ │ │
│ │ │ │ - 5.000000
│ │ │ │ + 5.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.453425
│ │ │ │ + 1.453425
│ │ │ │
│ │ │ │
│ │ │ │ - 1.057737
│ │ │ │ + 1.057737
│ │ │ │
│ │ │ │
│ │ │ │ - 0.165562
│ │ │ │ + 0.165562
│ │ │ │
│ │ │ │
│ │ │ │ - 0.515018
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 5
│ │ │ │ + 5
│ │ │ │
│ │ │ │
│ │ │ │ - 6.000000
│ │ │ │ + 6.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.336936
│ │ │ │ + -1.336936
│ │ │ │
│ │ │ │
│ │ │ │ - 0.562861
│ │ │ │ + 0.562861
│ │ │ │
│ │ │ │
│ │ │ │ - 1.392855
│ │ │ │ + 1.392855
│ │ │ │
│ │ │ │
│ │ │ │ - -0.063328
│ │ │ │ + -0.063328
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 6
│ │ │ │ + 6
│ │ │ │
│ │ │ │
│ │ │ │ - 7.000000
│ │ │ │ + 7.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.121668
│ │ │ │ + 0.121668
│ │ │ │
│ │ │ │
│ │ │ │ - 1.207603
│ │ │ │ + 1.207603
│ │ │ │
│ │ │ │
│ │ │ │ - -0.002040
│ │ │ │ + -0.002040
│ │ │ │
│ │ │ │
│ │ │ │ - 1.627796
│ │ │ │ + 1.627796
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 7
│ │ │ │ + 7
│ │ │ │
│ │ │ │
│ │ │ │ - 8.000000
│ │ │ │ + 8.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.354493
│ │ │ │ + 0.354493
│ │ │ │
│ │ │ │
│ │ │ │ - 1.037528
│ │ │ │ + 1.037528
│ │ │ │
│ │ │ │
│ │ │ │ - -0.385684
│ │ │ │ + -0.385684
│ │ │ │
│ │ │ │
│ │ │ │ - 0.519818
│ │ │ │ + 0.519818
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 8
│ │ │ │ + 8
│ │ │ │
│ │ │ │
│ │ │ │ - 9.000000
│ │ │ │ + 9.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.686583
│ │ │ │ + 1.686583
│ │ │ │
│ │ │ │
│ │ │ │ - -1.325963
│ │ │ │ + -1.325963
│ │ │ │
│ │ │ │
│ │ │ │ - 1.428984
│ │ │ │ + 1.428984
│ │ │ │
│ │ │ │
│ │ │ │ - -2.089354
│ │ │ │ + -2.089354
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 9
│ │ │ │ + 9
│ │ │ │
│ │ │ │
│ │ │ │ - 10.000000
│ │ │ │ + 10.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -0.129820
│ │ │ │ + -0.129820
│ │ │ │
│ │ │ │
│ │ │ │ - 0.631523
│ │ │ │ + 0.631523
│ │ │ │
│ │ │ │
│ │ │ │ - -0.586538
│ │ │ │ + -0.586538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.290720
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Our custom template accepts a table_title keyword. We can provide the value in the .render method.
│ │ │ │ @@ -6426,15 +6426,15 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Extending Example
│ │ │ │
│ │ │ │ -
│ │ │ │ +
│ │ │ │
│ │ │ │
│ │ │ │ A
│ │ │ │ B
│ │ │ │ C
│ │ │ │ D
│ │ │ │ @@ -6444,237 +6444,237 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 0
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 1.000000
│ │ │ │ + 1.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.329212
│ │ │ │ + 1.329212
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - -0.316280
│ │ │ │ + -0.316280
│ │ │ │
│ │ │ │
│ │ │ │ - -0.990810
│ │ │ │ + -0.990810
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ + 1
│ │ │ │
│ │ │ │
│ │ │ │ - 2.000000
│ │ │ │ + 2.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.070816
│ │ │ │ + -1.070816
│ │ │ │
│ │ │ │
│ │ │ │ - -1.438713
│ │ │ │ + -1.438713
│ │ │ │
│ │ │ │
│ │ │ │ - 0.564417
│ │ │ │ + 0.564417
│ │ │ │
│ │ │ │
│ │ │ │ - 0.295722
│ │ │ │ + 0.295722
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ + 2
│ │ │ │
│ │ │ │
│ │ │ │ - 3.000000
│ │ │ │ + 3.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.626404
│ │ │ │ + -1.626404
│ │ │ │
│ │ │ │
│ │ │ │ - 0.219565
│ │ │ │ + 0.219565
│ │ │ │
│ │ │ │
│ │ │ │ - 0.678805
│ │ │ │ + 0.678805
│ │ │ │
│ │ │ │
│ │ │ │ - 1.889273
│ │ │ │ + 1.889273
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ + 3
│ │ │ │
│ │ │ │
│ │ │ │ - 4.000000
│ │ │ │ + 4.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.961538
│ │ │ │ + 0.961538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.104011
│ │ │ │ + 0.104011
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - 0.850229
│ │ │ │ + 0.850229
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 4
│ │ │ │ + 4
│ │ │ │
│ │ │ │
│ │ │ │ - 5.000000
│ │ │ │ + 5.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.453425
│ │ │ │ + 1.453425
│ │ │ │
│ │ │ │
│ │ │ │ - 1.057737
│ │ │ │ + 1.057737
│ │ │ │
│ │ │ │
│ │ │ │ - 0.165562
│ │ │ │ + 0.165562
│ │ │ │
│ │ │ │
│ │ │ │ - 0.515018
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 5
│ │ │ │ + 5
│ │ │ │
│ │ │ │
│ │ │ │ - 6.000000
│ │ │ │ + 6.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.336936
│ │ │ │ + -1.336936
│ │ │ │
│ │ │ │
│ │ │ │ - 0.562861
│ │ │ │ + 0.562861
│ │ │ │
│ │ │ │
│ │ │ │ - 1.392855
│ │ │ │ + 1.392855
│ │ │ │
│ │ │ │
│ │ │ │ - -0.063328
│ │ │ │ + -0.063328
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 6
│ │ │ │ + 6
│ │ │ │
│ │ │ │
│ │ │ │ - 7.000000
│ │ │ │ + 7.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.121668
│ │ │ │ + 0.121668
│ │ │ │
│ │ │ │
│ │ │ │ - 1.207603
│ │ │ │ + 1.207603
│ │ │ │
│ │ │ │
│ │ │ │ - -0.002040
│ │ │ │ + -0.002040
│ │ │ │
│ │ │ │
│ │ │ │ - 1.627796
│ │ │ │ + 1.627796
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 7
│ │ │ │ + 7
│ │ │ │
│ │ │ │
│ │ │ │ - 8.000000
│ │ │ │ + 8.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.354493
│ │ │ │ + 0.354493
│ │ │ │
│ │ │ │
│ │ │ │ - 1.037528
│ │ │ │ + 1.037528
│ │ │ │
│ │ │ │
│ │ │ │ - -0.385684
│ │ │ │ + -0.385684
│ │ │ │
│ │ │ │
│ │ │ │ - 0.519818
│ │ │ │ + 0.519818
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 8
│ │ │ │ + 8
│ │ │ │
│ │ │ │
│ │ │ │ - 9.000000
│ │ │ │ + 9.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.686583
│ │ │ │ + 1.686583
│ │ │ │
│ │ │ │
│ │ │ │ - -1.325963
│ │ │ │ + -1.325963
│ │ │ │
│ │ │ │
│ │ │ │ - 1.428984
│ │ │ │ + 1.428984
│ │ │ │
│ │ │ │
│ │ │ │ - -2.089354
│ │ │ │ + -2.089354
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 9
│ │ │ │ + 9
│ │ │ │
│ │ │ │
│ │ │ │ - 10.000000
│ │ │ │ + 10.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -0.129820
│ │ │ │ + -0.129820
│ │ │ │
│ │ │ │
│ │ │ │ - 0.631523
│ │ │ │ + 0.631523
│ │ │ │
│ │ │ │
│ │ │ │ - -0.586538
│ │ │ │ + -0.586538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.290720
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ For convenience, we provide the Styler.from_custom_template method that does the same as the custom subclass.
│ │ │ │ @@ -6697,15 +6697,15 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ My Table
│ │ │ │
│ │ │ │ -
│ │ │ │ +
│ │ │ │
│ │ │ │
│ │ │ │ A
│ │ │ │ B
│ │ │ │ C
│ │ │ │ D
│ │ │ │ @@ -6715,237 +6715,237 @@
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 0
│ │ │ │ + 0
│ │ │ │
│ │ │ │
│ │ │ │ - 1.000000
│ │ │ │ + 1.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.329212
│ │ │ │ + 1.329212
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - -0.316280
│ │ │ │ + -0.316280
│ │ │ │
│ │ │ │
│ │ │ │ - -0.990810
│ │ │ │ + -0.990810
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 1
│ │ │ │ + 1
│ │ │ │
│ │ │ │
│ │ │ │ - 2.000000
│ │ │ │ + 2.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.070816
│ │ │ │ + -1.070816
│ │ │ │
│ │ │ │
│ │ │ │ - -1.438713
│ │ │ │ + -1.438713
│ │ │ │
│ │ │ │
│ │ │ │ - 0.564417
│ │ │ │ + 0.564417
│ │ │ │
│ │ │ │
│ │ │ │ - 0.295722
│ │ │ │ + 0.295722
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 2
│ │ │ │ + 2
│ │ │ │
│ │ │ │
│ │ │ │ - 3.000000
│ │ │ │ + 3.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.626404
│ │ │ │ + -1.626404
│ │ │ │
│ │ │ │
│ │ │ │ - 0.219565
│ │ │ │ + 0.219565
│ │ │ │
│ │ │ │
│ │ │ │ - 0.678805
│ │ │ │ + 0.678805
│ │ │ │
│ │ │ │
│ │ │ │ - 1.889273
│ │ │ │ + 1.889273
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 3
│ │ │ │ + 3
│ │ │ │
│ │ │ │
│ │ │ │ - 4.000000
│ │ │ │ + 4.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.961538
│ │ │ │ + 0.961538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.104011
│ │ │ │ + 0.104011
│ │ │ │
│ │ │ │
│ │ │ │ - nan
│ │ │ │ + nan
│ │ │ │
│ │ │ │
│ │ │ │ - 0.850229
│ │ │ │ + 0.850229
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 4
│ │ │ │ + 4
│ │ │ │
│ │ │ │
│ │ │ │ - 5.000000
│ │ │ │ + 5.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.453425
│ │ │ │ + 1.453425
│ │ │ │
│ │ │ │
│ │ │ │ - 1.057737
│ │ │ │ + 1.057737
│ │ │ │
│ │ │ │
│ │ │ │ - 0.165562
│ │ │ │ + 0.165562
│ │ │ │
│ │ │ │
│ │ │ │ - 0.515018
│ │ │ │ + 0.515018
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 5
│ │ │ │ + 5
│ │ │ │
│ │ │ │
│ │ │ │ - 6.000000
│ │ │ │ + 6.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -1.336936
│ │ │ │ + -1.336936
│ │ │ │
│ │ │ │
│ │ │ │ - 0.562861
│ │ │ │ + 0.562861
│ │ │ │
│ │ │ │
│ │ │ │ - 1.392855
│ │ │ │ + 1.392855
│ │ │ │
│ │ │ │
│ │ │ │ - -0.063328
│ │ │ │ + -0.063328
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 6
│ │ │ │ + 6
│ │ │ │
│ │ │ │
│ │ │ │ - 7.000000
│ │ │ │ + 7.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.121668
│ │ │ │ + 0.121668
│ │ │ │
│ │ │ │
│ │ │ │ - 1.207603
│ │ │ │ + 1.207603
│ │ │ │
│ │ │ │
│ │ │ │ - -0.002040
│ │ │ │ + -0.002040
│ │ │ │
│ │ │ │
│ │ │ │ - 1.627796
│ │ │ │ + 1.627796
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 7
│ │ │ │ + 7
│ │ │ │
│ │ │ │
│ │ │ │ - 8.000000
│ │ │ │ + 8.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 0.354493
│ │ │ │ + 0.354493
│ │ │ │
│ │ │ │
│ │ │ │ - 1.037528
│ │ │ │ + 1.037528
│ │ │ │
│ │ │ │
│ │ │ │ - -0.385684
│ │ │ │ + -0.385684
│ │ │ │
│ │ │ │
│ │ │ │ - 0.519818
│ │ │ │ + 0.519818
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 8
│ │ │ │ + 8
│ │ │ │
│ │ │ │
│ │ │ │ - 9.000000
│ │ │ │ + 9.000000
│ │ │ │
│ │ │ │
│ │ │ │ - 1.686583
│ │ │ │ + 1.686583
│ │ │ │
│ │ │ │
│ │ │ │ - -1.325963
│ │ │ │ + -1.325963
│ │ │ │
│ │ │ │
│ │ │ │ - 1.428984
│ │ │ │ + 1.428984
│ │ │ │
│ │ │ │
│ │ │ │ - -2.089354
│ │ │ │ + -2.089354
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ - 9
│ │ │ │ + 9
│ │ │ │
│ │ │ │
│ │ │ │ - 10.000000
│ │ │ │ + 10.000000
│ │ │ │
│ │ │ │
│ │ │ │ - -0.129820
│ │ │ │ + -0.129820
│ │ │ │
│ │ │ │
│ │ │ │ - 0.631523
│ │ │ │ + 0.631523
│ │ │ │
│ │ │ │
│ │ │ │ - -0.586538
│ │ │ │ + -0.586538
│ │ │ │
│ │ │ │
│ │ │ │ - 0.290720
│ │ │ │ + 0.290720
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │
│ │ │ │ Here’s the template structure:
│ │ │ │ ├── html2text {}
│ │ │ │ │ @@ -77,38 +77,38 @@
│ │ │ │ │ The above output looks very similar to the standard DataFrame HTML
│ │ │ │ │ representation. But weâve done some work behind the scenes to attach CSS
│ │ │ │ │ classes to each cell. We can view these by calling the .render method.
│ │ │ │ │ [4]:
│ │ │ │ │ df.style.highlight_null().render().split('\n')[:10]
│ │ │ │ │ [4]:
│ │ │ │ │ ['
│ │ │ │ │ + ' }
│ │ │ │ │ A B
│ │ │ │ │ C D E ',
│ │ │ │ │ ' ',
│ │ │ │ │ ' 0 ',
│ │ │ │ │ ' 1.000000 ',
│ │ │ │ │ ' 1.329212 ',
│ │ │ │ │ ' nan ',
│ │ │ │ │ ' -
│ │ │ │ │ +id="T_21ccd48a_acca_11ee_b35a_99e6967947e0row0_col3" class="data row0 col3" >-
│ │ │ │ │ 0.316280 ']
│ │ │ │ │ The row0_col2 is the identifier for that particular cell. Weâve also
│ │ │ │ │ prepended each row/column identifier with a UUID unique to each DataFrame so
│ │ │ │ │ that the style from one doesnât collide with the styling from another within
│ │ │ │ │ the same notebook or page (you can set the uuid if youâd like to tie together
│ │ │ │ │ the styling of two DataFrames).
│ │ │ │ │ When writing style functions, you take care of producing the CSS attribute /
│ │ │ ├── ./usr/share/doc/python-pandas-doc/html/user_guide/style.ipynb.gz
│ │ │ │ ├── style.ipynb
│ │ │ │ │ ├── Pretty-printed
│ │ │ │ │ │┄ Similarity: 0.9997853087998139%
│ │ │ │ │ │┄ Differences: {"'cells'": "{5: {'outputs': {0: {'data': {'text/html': {insert: [(1, ' A B C D E\n",
│ │ │ │ │ │ - " A B C D E \n",
│ │ │ │ │ │ + " A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 3,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -197,23 +197,23 @@
│ │ │ │ │ │ "execution_count": 4,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ "[' A B C D E ',\n",
│ │ │ │ │ │ + " ' } A B C D E ',\n",
│ │ │ │ │ │ " ' ',\n",
│ │ │ │ │ │ - " ' 0 ',\n",
│ │ │ │ │ │ - " ' 1.000000 ',\n",
│ │ │ │ │ │ - " ' 1.329212 ',\n",
│ │ │ │ │ │ - " ' nan ',\n",
│ │ │ │ │ │ - " ' -0.316280 ']"
│ │ │ │ │ │ + " ' 0 ',\n",
│ │ │ │ │ │ + " ' 1.000000 ',\n",
│ │ │ │ │ │ + " ' 1.329212 ',\n",
│ │ │ │ │ │ + " ' nan ',\n",
│ │ │ │ │ │ + " ' -0.316280 ']"
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 4,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -266,103 +266,103 @@
│ │ │ │ │ │ "execution_count": 6,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 6,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -410,101 +410,101 @@
│ │ │ │ │ │ "execution_count": 8,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 8,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -532,106 +532,106 @@
│ │ │ │ │ │ "execution_count": 9,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 9,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -687,101 +687,101 @@
│ │ │ │ │ │ "execution_count": 11,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 11,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -833,101 +833,101 @@
│ │ │ │ │ │ "execution_count": 12,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 12,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -947,103 +947,103 @@
│ │ │ │ │ │ "execution_count": 13,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 13,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1080,99 +1080,99 @@
│ │ │ │ │ │ "execution_count": 14,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 100.00% \n",
│ │ │ │ │ │ - " 132.92% \n",
│ │ │ │ │ │ - " nan% \n",
│ │ │ │ │ │ - " -31.63% \n",
│ │ │ │ │ │ - " -99.08% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 200.00% \n",
│ │ │ │ │ │ - " -107.08% \n",
│ │ │ │ │ │ - " -143.87% \n",
│ │ │ │ │ │ - " 56.44% \n",
│ │ │ │ │ │ - " 29.57% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 300.00% \n",
│ │ │ │ │ │ - " -162.64% \n",
│ │ │ │ │ │ - " 21.96% \n",
│ │ │ │ │ │ - " 67.88% \n",
│ │ │ │ │ │ - " 188.93% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 400.00% \n",
│ │ │ │ │ │ - " 96.15% \n",
│ │ │ │ │ │ - " 10.40% \n",
│ │ │ │ │ │ - " nan% \n",
│ │ │ │ │ │ - " 85.02% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 500.00% \n",
│ │ │ │ │ │ - " 145.34% \n",
│ │ │ │ │ │ - " 105.77% \n",
│ │ │ │ │ │ - " 16.56% \n",
│ │ │ │ │ │ - " 51.50% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 600.00% \n",
│ │ │ │ │ │ - " -133.69% \n",
│ │ │ │ │ │ - " 56.29% \n",
│ │ │ │ │ │ - " 139.29% \n",
│ │ │ │ │ │ - " -6.33% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 700.00% \n",
│ │ │ │ │ │ - " 12.17% \n",
│ │ │ │ │ │ - " 120.76% \n",
│ │ │ │ │ │ - " -0.20% \n",
│ │ │ │ │ │ - " 162.78% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 800.00% \n",
│ │ │ │ │ │ - " 35.45% \n",
│ │ │ │ │ │ - " 103.75% \n",
│ │ │ │ │ │ - " -38.57% \n",
│ │ │ │ │ │ - " 51.98% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 900.00% \n",
│ │ │ │ │ │ - " 168.66% \n",
│ │ │ │ │ │ - " -132.60% \n",
│ │ │ │ │ │ - " 142.90% \n",
│ │ │ │ │ │ - " -208.94% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 1000.00% \n",
│ │ │ │ │ │ - " -12.98% \n",
│ │ │ │ │ │ - " 63.15% \n",
│ │ │ │ │ │ - " -58.65% \n",
│ │ │ │ │ │ - " 29.07% \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 100.00% \n",
│ │ │ │ │ │ + " 132.92% \n",
│ │ │ │ │ │ + " nan% \n",
│ │ │ │ │ │ + " -31.63% \n",
│ │ │ │ │ │ + " -99.08% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 200.00% \n",
│ │ │ │ │ │ + " -107.08% \n",
│ │ │ │ │ │ + " -143.87% \n",
│ │ │ │ │ │ + " 56.44% \n",
│ │ │ │ │ │ + " 29.57% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 300.00% \n",
│ │ │ │ │ │ + " -162.64% \n",
│ │ │ │ │ │ + " 21.96% \n",
│ │ │ │ │ │ + " 67.88% \n",
│ │ │ │ │ │ + " 188.93% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 400.00% \n",
│ │ │ │ │ │ + " 96.15% \n",
│ │ │ │ │ │ + " 10.40% \n",
│ │ │ │ │ │ + " nan% \n",
│ │ │ │ │ │ + " 85.02% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 500.00% \n",
│ │ │ │ │ │ + " 145.34% \n",
│ │ │ │ │ │ + " 105.77% \n",
│ │ │ │ │ │ + " 16.56% \n",
│ │ │ │ │ │ + " 51.50% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 600.00% \n",
│ │ │ │ │ │ + " -133.69% \n",
│ │ │ │ │ │ + " 56.29% \n",
│ │ │ │ │ │ + " 139.29% \n",
│ │ │ │ │ │ + " -6.33% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 700.00% \n",
│ │ │ │ │ │ + " 12.17% \n",
│ │ │ │ │ │ + " 120.76% \n",
│ │ │ │ │ │ + " -0.20% \n",
│ │ │ │ │ │ + " 162.78% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 800.00% \n",
│ │ │ │ │ │ + " 35.45% \n",
│ │ │ │ │ │ + " 103.75% \n",
│ │ │ │ │ │ + " -38.57% \n",
│ │ │ │ │ │ + " 51.98% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 900.00% \n",
│ │ │ │ │ │ + " 168.66% \n",
│ │ │ │ │ │ + " -132.60% \n",
│ │ │ │ │ │ + " 142.90% \n",
│ │ │ │ │ │ + " -208.94% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 1000.00% \n",
│ │ │ │ │ │ + " -12.98% \n",
│ │ │ │ │ │ + " 63.15% \n",
│ │ │ │ │ │ + " -58.65% \n",
│ │ │ │ │ │ + " 29.07% \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 14,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1192,99 +1192,99 @@
│ │ │ │ │ │ "execution_count": 15,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1000 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.32 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -100 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " +0.56 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -200 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " +0.68 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 1000 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " +nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1000 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " +0.17 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -100 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " +1.39 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0000 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.00 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0000 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.39 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 2000 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " +1.43 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -000 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.59 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1000 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.32 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -100 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " +0.56 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -200 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " +0.68 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 1000 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " +nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1000 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " +0.17 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -100 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " +1.39 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0000 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.00 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0000 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.39 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 2000 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " +1.43 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -000 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.59 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 15,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1304,99 +1304,99 @@
│ │ │ │ │ │ "execution_count": 16,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " \u00b11.33 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " \u00b11.07 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " \u00b11.63 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " \u00b10.96 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " \u00b11.45 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " \u00b11.34 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " \u00b10.12 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " \u00b10.35 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " \u00b11.69 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " \u00b10.13 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " \u00b11.33 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " \u00b11.07 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " \u00b11.63 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " \u00b10.96 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " \u00b11.45 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " \u00b11.34 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " \u00b10.12 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " \u00b10.35 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " \u00b11.69 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " \u00b10.13 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 16,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1416,99 +1416,99 @@
│ │ │ │ │ │ "execution_count": 17,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 100.00% \n",
│ │ │ │ │ │ - " 132.92% \n",
│ │ │ │ │ │ - " - \n",
│ │ │ │ │ │ - " -31.63% \n",
│ │ │ │ │ │ - " -99.08% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 200.00% \n",
│ │ │ │ │ │ - " -107.08% \n",
│ │ │ │ │ │ - " -143.87% \n",
│ │ │ │ │ │ - " 56.44% \n",
│ │ │ │ │ │ - " 29.57% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 300.00% \n",
│ │ │ │ │ │ - " -162.64% \n",
│ │ │ │ │ │ - " 21.96% \n",
│ │ │ │ │ │ - " 67.88% \n",
│ │ │ │ │ │ - " 188.93% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 400.00% \n",
│ │ │ │ │ │ - " 96.15% \n",
│ │ │ │ │ │ - " 10.40% \n",
│ │ │ │ │ │ - " - \n",
│ │ │ │ │ │ - " 85.02% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 500.00% \n",
│ │ │ │ │ │ - " 145.34% \n",
│ │ │ │ │ │ - " 105.77% \n",
│ │ │ │ │ │ - " 16.56% \n",
│ │ │ │ │ │ - " 51.50% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 600.00% \n",
│ │ │ │ │ │ - " -133.69% \n",
│ │ │ │ │ │ - " 56.29% \n",
│ │ │ │ │ │ - " 139.29% \n",
│ │ │ │ │ │ - " -6.33% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 700.00% \n",
│ │ │ │ │ │ - " 12.17% \n",
│ │ │ │ │ │ - " 120.76% \n",
│ │ │ │ │ │ - " -0.20% \n",
│ │ │ │ │ │ - " 162.78% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 800.00% \n",
│ │ │ │ │ │ - " 35.45% \n",
│ │ │ │ │ │ - " 103.75% \n",
│ │ │ │ │ │ - " -38.57% \n",
│ │ │ │ │ │ - " 51.98% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 900.00% \n",
│ │ │ │ │ │ - " 168.66% \n",
│ │ │ │ │ │ - " -132.60% \n",
│ │ │ │ │ │ - " 142.90% \n",
│ │ │ │ │ │ - " -208.94% \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 1000.00% \n",
│ │ │ │ │ │ - " -12.98% \n",
│ │ │ │ │ │ - " 63.15% \n",
│ │ │ │ │ │ - " -58.65% \n",
│ │ │ │ │ │ - " 29.07% \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 100.00% \n",
│ │ │ │ │ │ + " 132.92% \n",
│ │ │ │ │ │ + " - \n",
│ │ │ │ │ │ + " -31.63% \n",
│ │ │ │ │ │ + " -99.08% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 200.00% \n",
│ │ │ │ │ │ + " -107.08% \n",
│ │ │ │ │ │ + " -143.87% \n",
│ │ │ │ │ │ + " 56.44% \n",
│ │ │ │ │ │ + " 29.57% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 300.00% \n",
│ │ │ │ │ │ + " -162.64% \n",
│ │ │ │ │ │ + " 21.96% \n",
│ │ │ │ │ │ + " 67.88% \n",
│ │ │ │ │ │ + " 188.93% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 400.00% \n",
│ │ │ │ │ │ + " 96.15% \n",
│ │ │ │ │ │ + " 10.40% \n",
│ │ │ │ │ │ + " - \n",
│ │ │ │ │ │ + " 85.02% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 500.00% \n",
│ │ │ │ │ │ + " 145.34% \n",
│ │ │ │ │ │ + " 105.77% \n",
│ │ │ │ │ │ + " 16.56% \n",
│ │ │ │ │ │ + " 51.50% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 600.00% \n",
│ │ │ │ │ │ + " -133.69% \n",
│ │ │ │ │ │ + " 56.29% \n",
│ │ │ │ │ │ + " 139.29% \n",
│ │ │ │ │ │ + " -6.33% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 700.00% \n",
│ │ │ │ │ │ + " 12.17% \n",
│ │ │ │ │ │ + " 120.76% \n",
│ │ │ │ │ │ + " -0.20% \n",
│ │ │ │ │ │ + " 162.78% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 800.00% \n",
│ │ │ │ │ │ + " 35.45% \n",
│ │ │ │ │ │ + " 103.75% \n",
│ │ │ │ │ │ + " -38.57% \n",
│ │ │ │ │ │ + " 51.98% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 900.00% \n",
│ │ │ │ │ │ + " 168.66% \n",
│ │ │ │ │ │ + " -132.60% \n",
│ │ │ │ │ │ + " 142.90% \n",
│ │ │ │ │ │ + " -208.94% \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 1000.00% \n",
│ │ │ │ │ │ + " -12.98% \n",
│ │ │ │ │ │ + " 63.15% \n",
│ │ │ │ │ │ + " -58.65% \n",
│ │ │ │ │ │ + " 29.07% \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 17,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1528,101 +1528,101 @@
│ │ │ │ │ │ "execution_count": 18,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " - \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " - \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " - \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " - \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 18,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1649,101 +1649,101 @@
│ │ │ │ │ │ "execution_count": 19,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 19,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1763,204 +1763,204 @@
│ │ │ │ │ │ "execution_count": 20,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 5 \n",
│ │ │ │ │ │ - " 6.000000 \n",
│ │ │ │ │ │ - " -1.336936 \n",
│ │ │ │ │ │ - " 0.562861 \n",
│ │ │ │ │ │ - " 1.392855 \n",
│ │ │ │ │ │ - " -0.063328 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 6 \n",
│ │ │ │ │ │ - " 7.000000 \n",
│ │ │ │ │ │ - " 0.121668 \n",
│ │ │ │ │ │ - " 1.207603 \n",
│ │ │ │ │ │ - " -0.002040 \n",
│ │ │ │ │ │ - " 1.627796 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 7 \n",
│ │ │ │ │ │ - " 8.000000 \n",
│ │ │ │ │ │ - " 0.354493 \n",
│ │ │ │ │ │ - " 1.037528 \n",
│ │ │ │ │ │ - " -0.385684 \n",
│ │ │ │ │ │ - " 0.519818 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 8 \n",
│ │ │ │ │ │ - " 9.000000 \n",
│ │ │ │ │ │ - " 1.686583 \n",
│ │ │ │ │ │ - " -1.325963 \n",
│ │ │ │ │ │ - " 1.428984 \n",
│ │ │ │ │ │ - " -2.089354 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 9 \n",
│ │ │ │ │ │ - " 10.000000 \n",
│ │ │ │ │ │ - " -0.129820 \n",
│ │ │ │ │ │ - " 0.631523 \n",
│ │ │ │ │ │ - " -0.586538 \n",
│ │ │ │ │ │ - " 0.290720 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 5 \n",
│ │ │ │ │ │ + " 6.000000 \n",
│ │ │ │ │ │ + " -1.336936 \n",
│ │ │ │ │ │ + " 0.562861 \n",
│ │ │ │ │ │ + " 1.392855 \n",
│ │ │ │ │ │ + " -0.063328 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 6 \n",
│ │ │ │ │ │ + " 7.000000 \n",
│ │ │ │ │ │ + " 0.121668 \n",
│ │ │ │ │ │ + " 1.207603 \n",
│ │ │ │ │ │ + " -0.002040 \n",
│ │ │ │ │ │ + " 1.627796 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 7 \n",
│ │ │ │ │ │ + " 8.000000 \n",
│ │ │ │ │ │ + " 0.354493 \n",
│ │ │ │ │ │ + " 1.037528 \n",
│ │ │ │ │ │ + " -0.385684 \n",
│ │ │ │ │ │ + " 0.519818 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 8 \n",
│ │ │ │ │ │ + " 9.000000 \n",
│ │ │ │ │ │ + " 1.686583 \n",
│ │ │ │ │ │ + " -1.325963 \n",
│ │ │ │ │ │ + " 1.428984 \n",
│ │ │ │ │ │ + " -2.089354 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 9 \n",
│ │ │ │ │ │ + " 10.000000 \n",
│ │ │ │ │ │ + " -0.129820 \n",
│ │ │ │ │ │ + " 0.631523 \n",
│ │ │ │ │ │ + " -0.586538 \n",
│ │ │ │ │ │ + " 0.290720 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 20,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -1985,107 +1985,107 @@
│ │ │ │ │ │ "execution_count": 21,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " } A B C D E \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ - " 0 \n",
│ │ │ │ │ │ - " 1.000000 \n",
│ │ │ │ │ │ - " 1.329212 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " -0.316280 \n",
│ │ │ │ │ │ - " -0.990810 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 1 \n",
│ │ │ │ │ │ - " 2.000000 \n",
│ │ │ │ │ │ - " -1.070816 \n",
│ │ │ │ │ │ - " -1.438713 \n",
│ │ │ │ │ │ - " 0.564417 \n",
│ │ │ │ │ │ - " 0.295722 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 2 \n",
│ │ │ │ │ │ - " 3.000000 \n",
│ │ │ │ │ │ - " -1.626404 \n",
│ │ │ │ │ │ - " 0.219565 \n",
│ │ │ │ │ │ - " 0.678805 \n",
│ │ │ │ │ │ - " 1.889273 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 3 \n",
│ │ │ │ │ │ - " 4.000000 \n",
│ │ │ │ │ │ - " 0.961538 \n",
│ │ │ │ │ │ - " 0.104011 \n",
│ │ │ │ │ │ - " nan \n",
│ │ │ │ │ │ - " 0.850229 \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " \n",
│ │ │ │ │ │ - " 4 \n",
│ │ │ │ │ │ - " 5.000000 \n",
│ │ │ │ │ │ - " 1.453425 \n",
│ │ │ │ │ │ - " 1.057737 \n",
│ │ │ │ │ │ - " 0.165562 \n",
│ │ │ │ │ │ - " 0.515018 \n",
│ │ │ │ │ │ + " 0 \n",
│ │ │ │ │ │ + " 1.000000 \n",
│ │ │ │ │ │ + " 1.329212 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " -0.316280 \n",
│ │ │ │ │ │ + " -0.990810 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 1 \n",
│ │ │ │ │ │ + " 2.000000 \n",
│ │ │ │ │ │ + " -1.070816 \n",
│ │ │ │ │ │ + " -1.438713 \n",
│ │ │ │ │ │ + " 0.564417 \n",
│ │ │ │ │ │ + " 0.295722 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 2 \n",
│ │ │ │ │ │ + " 3.000000 \n",
│ │ │ │ │ │ + " -1.626404 \n",
│ │ │ │ │ │ + " 0.219565 \n",
│ │ │ │ │ │ + " 0.678805 \n",
│ │ │ │ │ │ + " 1.889273 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 3 \n",
│ │ │ │ │ │ + " 4.000000 \n",
│ │ │ │ │ │ + " 0.961538 \n",
│ │ │ │ │ │ + " 0.104011 \n",
│ │ │ │ │ │ + " nan \n",
│ │ │ │ │ │ + " 0.850229 \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " \n",
│ │ │ │ │ │ + " 4 \n",
│ │ │ │ │ │ + " 5.000000 \n",
│ │ │ │ │ │ + " 1.453425 \n",
│ │ │ │ │ │ + " 1.057737 \n",
│ │ │ │ │ │ + " 0.165562 \n",
│ │ │ │ │ │ + " 0.515018 \n",
│ │ │ │ │ │ " \n",
│ │ │ │ │ │ "
"
│ │ │ │ │ │ ],
│ │ │ │ │ │ "text/plain": [
│ │ │ │ │ │ - ""
│ │ │ │ │ │ + ""
│ │ │ │ │ │ ]
│ │ │ │ │ │ },
│ │ │ │ │ │ "execution_count": 21,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "output_type": "execute_result"
│ │ │ │ │ │ }
│ │ │ │ │ │ ],
│ │ │ │ │ │ @@ -2099,108 +2099,108 @@
│ │ │ │ │ │ "execution_count": 22,
│ │ │ │ │ │ "metadata": {},
│ │ │ │ │ │ "outputs": [
│ │ │ │ │ │ {
│ │ │ │ │ │ "data": {
│ │ │ │ │ │ "text/html": [
│ │ │ │ │ │ " A B C D E \n",
│ │ │ │ │ │ + " }