表格可视化# 本节演示使用Styler类对表格数据进行可视化。有关图表可视化的信息，请参阅图表可视化。本文档以 Jupyter Notebook 形式编写，可以在此处查看或下载。 Styler 对象和自定义显示# 样式和输出显示自定义应在处理 DataFrame 中的数据后执行。如果对 DataFrame 进行进一步更改，Styler不会动态更新。该属性是返回StylerDataFrame.style对象的属性。它定义了一个方法，因此它会在 Jupyter Notebook 中自动呈现。_repr_html_ Styler 可用于大数据，但主要针对小数据而设计，目前能够输出以下格式： 超文本标记语言 乳胶 字符串（以及扩展名 CSV） Excel （JSON 目前不可用） 其中前三个具有旨在格式化和自定义输出的显示自定义方法。这些包括： 使用.format()和.format_index()格式化值、索引和列标题， 使用.relabel_index()重命名索引或列标题标签 使用.hide()隐藏某些列、索引和/或列标题或索引名称 使用.concat()连接相似的 DataFrame 格式化显示# 格式化值# 样式器将数据值和索引或列标题中的显示值与实际值区分开来。为了控制显示值，文本作为字符串打印在每个单元格中，我们可以使用 .format ()和.format_index()方法根据格式规范字符串或采用单个值的可调用函数来操作它返回一个字符串。可以为整个表、索引、单个列或多索引级别定义此值。我们还可以覆盖索引名称。 此外，format 函数有一个precision参数来专门帮助格式化浮点数，以及小数和千位分隔符来支持其他语言环境，一个na_rep参数来显示丢失的数据，以及一个转义和超链接参数来帮助显示 safe-HTML 或 safe-HTML。乳胶。默认格式化程序配置为采用 pandas 的全局选项，例如styler.format.precisionoption、可控使用with pd.option_context('format.precision', 2): [2]: import pandas as pd import numpy as np import matplotlib as mpl df = pd.DataFrame({ "strings": ["Adam", "Mike"], "ints": [1, 3], "floats": [1.123, 1000.23] }) df.style \ .format(precision=3, thousands=".", decimal=",") \ .format_index(str.upper, axis=1) \ .relabel_index(["row 1", "row 2"], axis=0) [2]: 琴弦 集成系统 浮子 第 1 行 亚当 1 1,123 第 2 行 麦克风 3 1.000,230 使用 Styler 操作显示是一项有用的功能，因为为其他目的维护索引和数据值可以提供更好的控制。您不必覆盖 DataFrame 即可按照您喜欢的方式显示它。这是使用格式化函数的更全面的示例，同时仍然依赖底层数据进行索引和计算。 [3]: weather_df = pd.DataFrame(np.random.rand(10,2)*5, index=pd.date_range(start="2021-01-01", periods=10), columns=["Tokyo", "Beijing"]) def rain_condition(v): if v < 1.75: return "Dry" elif v < 2.75: return "Rain" return "Heavy Rain" def make_pretty(styler): styler.set_caption("Weather Conditions") styler.format(rain_condition) styler.format_index(lambda v: v.strftime("%A")) styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu") return styler weather_df [3]: 东京 北京 2021-01-01 2.552517 1.976602 2021-01-02 1.665753 3.757927 2021-01-03 4.679882 2.242228 2021-01-04 1.268592 0.915911 2021-01-05 0.258386 4.647607 2021-01-06 1.279295 4.642458 2021-01-07 0.560487 3.670073 2021-01-08 0.980423 1.026641 2021-01-09 1.471664 1.384219 2021-01-10 4.617766 4.251794 [4]: weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty) [4]: 天气状况 东京 北京 周一 干燥 干燥 周二 干燥 倾盆大雨 周三 干燥 倾盆大雨 周四 干燥 倾盆大雨 星期五 干燥 干燥 隐藏数据# 索引和列标题可以完全隐藏，也可以子选择希望排除的行或列。这两个选项均使用相同的方法执行。 可以通过调用不带任何参数的.hide()来隐藏索引，以防止渲染，如果您的索引是基于整数的，这可能会很有用。类似地，可以通过调用.hide(axis=”columns”)来隐藏列标题，而无需任何其他参数。 通过调用相同的.hide()方法并传入行/列标签、类似列表或行/列标签切片作为参数，可以隐藏特定的行或列以防止渲染subset。 隐藏不会改变 CSS 类的整数排列，例如隐藏 DataFrame 的前两列意味着列类索引仍将从 开始col2，因为col0和col1被简单地忽略。 [5]: df = pd.DataFrame(np.random.randn(5, 5)) df.style \ .hide(subset=[0, 2, 4], axis=0) \ .hide(subset=[0, 2, 4], axis=1) [5]: 1 3 1 0.561440 -0.858225 3 0.176255 0.876609 要将功能反转为显示功能，最佳做法是编写隐藏项目列表。 [6]: show = [0, 2, 4] df.style \ .hide([row for row in df.index if row not in show], axis=0) \ .hide([col for col in df.columns if col not in show], axis=1) [6]: 0 2 4 0 -0.056334 -1.188982 0.482870 2 -0.718731 -0.499113 -1.350023 4 -0.720169 1.225336 -0.512159 连接 DataFrame 输出# 两个或多个样式器可以连接在一起，只要它们共享相同的列。这对于显示 DataFrame 的摘要统计信息非常有用，并且通常与 DataFrame.agg 结合使用。 由于连接的对象是样式器，因此它们可以独立设置样式，如下所示，并且它们的连接保留了这些样式。 [7]: summary_styler = df.agg(["sum", "mean"]).style \ .format(precision=3) \ .relabel_index(["Sum", "Average"]) df.style.format(precision=1).concat(summary_styler) [7]: 0 1 2 3 4 0 -0.1 0.8 -1.2 0.3 0.5 1 0.5 0.6 0.1 -0.9 0.9 2 -0.7 -0.8 -0.5 0.2 -1.4 3 2.2 0.2 0.9 0.9 0.1 4 -0.7 -1.0 1.2 -0.5 -0.5 和 1.179 -0.213 0.506 -0.082 -0.430 平均的 0.236 -0.043 0.101 -0.016 -0.086 Styler 对象和 HTML # Styler最初构建是为了支持各种 HTML 格式选项。其 HTML 输出创建 HTML<table>并利用 CSS 样式语言来操作许多参数，包括颜色、字体、边框、背景等。有关样式 HTML 表格的更多信息，请参阅此处。这提供了很大的开箱即用的灵活性，甚至使 Web 开发人员能够将 DataFrame 集成到他们现有的用户界面设计中。 下面我们演示了默认输出，它看起来与标准 DataFrame HTML 表示非常相似。但是这里的 HTML 已经将一些 CSS 类附加到每个单元格，即使我们还没有创建任何样式。我们可以通过调用.to_html()方法来查看这些内容，该方法将原始 HTML 作为字符串返回，这对于进一步处理或添加到文件非常有用 - 请阅读有关 CSS 和 HTML 的更多信息。本节还将演练如何转换此默认输出以表示更具沟通性的 DataFrame 输出。例如我们如何构建s： [8]: df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]], index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'), columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:'])) df.style [8]: 模型： 决策树 回归 随机的 预料到的： 瘤 非肿瘤 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38.000000 2.000000 18.000000 22.000000 21 南 非肿瘤（阴性） 19.000000 439.000000 6.000000 452.000000 226 232.000000 [10]: s [10]: 多种癌症预测模型的混淆矩阵。 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 我们采取的第一步是从 DataFrame 创建 Styler 对象，然后通过使用.hide()隐藏不需要的列来选择感兴趣的范围。 [11]: s = df.style.format('{:.0f}').hide([('Random', 'Tumour'), ('Random', 'Non-Tumour')], axis="columns") s [11]: 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 添加样式的方法# 将自定义 CSS 样式添加到Styler 的主要方法有3 种： 使用.set_table_styles()通过指定的内部 CSS 控制表格的更广泛区域。尽管表格样式允许灵活地添加控制表格所有各个部分的 CSS 选择器和属性，但它们对于单个单元格规范来说并不实用。另请注意，表格样式无法导出到 Excel。 使用.set_td_classes()将外部 CSS 类直接链接到数据单元格，或链接由.set_table_styles()创建的内部 CSS 类。看这里。这些不能用于列标题行或索引，也不能导出到 Excel。 使用.apply()和.map()函数将直接内部 CSS 添加到特定数据单元格。看这里。从 v1.4.0 开始，还有直接作用于列标题行或索引的方法；.apply_index()和 .map_index()。请注意，只有这些方法添加将导出到 Excel 的样式。这些方法的工作方式与DataFrame.apply()和DataFrame.map()类似。 表格样式# 表格样式足够灵活，可以控制表格的所有各个部分，包括列标题和索引。但是，它们对于单个数据单元格或任何类型的条件格式的键入可能很笨拙，因此我们建议将表格样式用于广泛的样式，例如一次整行或整列。 表格样式还用于控制可立即应用于整个表格的功能，例如创建通用悬停功能。伪选择器:hover以及其他伪选择器只能以这种方式使用。 复制 CSS 选择器和属性（属性值对）的正常格式，例如 tr:hover { background-color: #ffff99; } 将样式传递给.set_table_styles()的必要格式是字典列表，每个字典都有一个 CSS 选择器标签和 CSS 属性。属性可以是 2 元组列表，也可以是常规 CSS 字符串，例如： [13]: cell_hover = { # for row hover use <tr> instead of <td> 'selector': 'td:hover', 'props': [('background-color', '#ffffb3')] } index_names = { 'selector': '.index_name', 'props': 'font-style: italic; color: darkgrey; font-weight:normal;' } headers = { 'selector': 'th:not(.index_name)', 'props': 'background-color: #000066; color: white;' } s.set_table_styles([cell_hover, index_names, headers]) [13]: 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 接下来，我们只需添加一些针对表格特定部分的样式工件。这里要小心，因为我们正在链接方法，所以我们需要显式指示该方法不要使用 overwrite现有样式。 [15]: s.set_table_styles([ {'selector': 'th.col_heading', 'props': 'text-align: center;'}, {'selector': 'th.col_heading.level0', 'props': 'font-size: 1.5em;'}, {'selector': 'td', 'props': 'text-align: center; font-weight: bold;'}, ], overwrite=False) [15]: 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 作为一种方便的方法（从版本 1.2.0 开始），我们还可以将一个字典传递给.set_table_styles()，其中包含行或列键。在幕后，Styler 只是对键进行索引，并根据需要向给定的 CSS 选择器添加相关.col<m>或类。.row<n> [17]: s.set_table_styles({ ('Regression', 'Tumour'): [{'selector': 'th', 'props': 'border-left: 1px solid white'}, {'selector': 'td', 'props': 'border-left: 1px solid #000066'}] }, overwrite=False, axis=0) [17]: 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 设置类并链接到外部 CSS # 如果您设计了一个网站，那么您可能已经有一个外部 CSS 文件来控制其中的表格和单元格对象的样式。您可能想要使用这些本机文件，而不是在 python 中复制所有 CSS（并复制任何维护工作）。 表属性# 使用.set_table_attributes()可以很容易地将 a 添加class到 main 中。此方法还可以附加内联样式 - 请阅读CSS Hierarchies中的更多内容。<table> [19]: out = s.set_table_attributes('class="my-table-cls"').to_html() print(out[out.find('<table'):][:109]) <table id="T_xyz01" class="my-table-cls"> <thead> <tr> <th class="index_name level0" >Model:</th> 数据单元 CSS 类# 1.2.0版本新增 .set_td_classes ()方法接受一个 DataFrame，其索引和列与底层Styler的 DataFrame 相匹配。该 DataFrame 将包含字符串作为 css 类以添加到各个数据单元<td>格： <table>.我们将在内部创建类并将它们添加到表格样式，而不是使用外部 CSS。我们将保存添加边框直到工具提示部分。 [20]: s.set_table_styles([ # create internal CSS classes {'selector': '.true', 'props': 'background-color: #e6ffe6;'}, {'selector': '.false', 'props': 'background-color: #ffe6e6;'}, ], overwrite=False) cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '], ['false ', 'true ', 'false ', 'true ']], index=df.index, columns=df.columns[:4]) s.set_td_classes(cell_color) [20]: 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 造型器功能# 根据数据采取行动# 我们使用以下方法来传递您的样式函数。这两个方法都采用一个函数（以及其他一些关键字参数）并以某种方式将其应用到 DataFrame，从而呈现 CSS 样式。 .map()（按元素）：接受一个函数，该函数采用单个值并返回带有 CSS 属性-值对的字符串。 .apply()（按列/行/表）：接受一个函数，该函数采用 Series 或 DataFrame 并返回具有相同形状的 Series、DataFrame 或 numpy 数组，其中每个元素都是具有 CSS 属性的字符串 -值对。此方法一次传递 DataFrame 的每一列或行，或一次传递整个表，具体取决于axis关键字参数。对于按列使用axis=0、按行使用axis=1以及对于整个表一次使用axis=None。 此方法对于将多个复杂逻辑应用于数据单元非常有用。我们创建一个新的 DataFrame 来演示这一点。 [22]: np.random.seed(0) df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D']) df2.style [22]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 例如，我们可以构建一个函数，如果文本为负数，则为文本着色，并将其与部分淡化可忽略不计的值的单元格的函数链接起来。由于这会依次查看每个元素，因此我们使用map. [23]: def style_negative(v, props=''): return props if v < 0 else None s2 = df2.style.map(style_negative, props='color:red;')\ .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None) s2 [23]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 我们还可以构建一个函数，同时突出显示行、列和 DataFrame 中的最大值。在本例中我们使用apply.下面我们突出显示一列中的最大值。 [25]: def highlight_max(s, props=''): return np.where(s == np.nanmax(s.values), props, '') s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0) [25]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 我们可以在不同的轴上使用相同的函数，这里用紫色突出显示 DataFrame 最大值，用粉色突出显示行最大值。 [27]: s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\ .apply(highlight_max, props='color:white;background-color:purple', axis=None) [27]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 最后一个示例显示了某些样式如何被其他样式覆盖。一般来说，最近应用的样式是活动的，但您可以在CSS 层次结构部分中阅读更多内容。您还可以将这些样式应用到 DataFrame 的更细粒度部分 - 请阅读有关子集切片的部分了解更多内容。 可以仅使用类来复制其中一些功能，但可能会更麻烦。参见优化的第 3) 项 调试提示：如果您在编写样式函数时遇到问题，请尝试将其传递到DataFrame.apply.在内部，Styler.apply使用DataFrame.apply结果应该是相同的，并且DataFrame.apply您将能够检查每个单元格中预期函数的 CSS 字符串输出。 作用于索引和列标题# 通过使用以下方法可以对标头实现类似的应用： .map_index()（按元素）：接受一个函数，该函数采用单个值并返回带有 CSS 属性值对的字符串。 .apply_index()（逐级）：接受一个函数，该函数接受一个 Series 并返回一个 Series 或具有相同形状的 numpy 数组，其中每个元素都是带有 CSS 属性值对的字符串。此方法一次一次通过索引的每个级别。要设置索引的样式axis=0，请使用 ，要设置列标题的样式axis=1。 您可以选择其中一种level，MultiIndex但目前没有类似的subset应用程序可用于这些方法。 [29]: s2.map_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0) s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1) [29]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 工具提示和标题# 可以使用.set_caption()方法添加表格标题。您可以使用表格样式来控制与标题相关的 CSS。 [30]: s.set_caption("Confusion matrix for multiple cancer prediction models.")\ .set_table_styles([{ 'selector': 'caption', 'props': 'caption-side: bottom; font-size:1.25em;' }], overwrite=False) [30]: 多种癌症预测模型的混淆矩阵。 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 添加工具提示（自版本 1.3.0 起）可以使用.set_tooltips()方法来完成，就像您可以通过提供具有相交索引和列的基于字符串的 DataFrame 来将 CSS 类添加到数据单元格中一样。您不必为工具提示指定css_class名称或任何 css props，因为有标准默认值，但如果您想要更多视觉控制，则可以选择该选项。 [32]: tt = pd.DataFrame([['This model has a very strong true positive rate', "This model's total number of false negatives is too high"]], index=['Tumour (Positive)'], columns=df.columns[[0,3]]) s.set_tooltips(tt, props='visibility: hidden; position: absolute; z-index: 1; border: 1px solid #000066;' 'background-color: white; color: #000066; font-size: 0.8em;' 'transform: translate(0px, -24px); padding: 0.6em; border-radius: 0.5em;') [32]: 多种癌症预测模型的混淆矩阵。 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 我们的表格唯一要做的就是添加突出显示边框以吸引观众注意工具提示。我们将像以前一样使用表格样式创建内部 CSS 类。设置类总是会覆盖，因此我们需要确保添加以前的类。 [34]: s.set_table_styles([ # create internal CSS classes {'selector': '.border-red', 'props': 'border: 2px dashed red;'}, {'selector': '.border-green', 'props': 'border: 2px dashed green;'}, ], overwrite=False) cell_border = pd.DataFrame([['border-green ', ' ', ' ', 'border-red '], [' ', ' ', ' ', ' ']], index=df.index, columns=df.columns[:4]) s.set_td_classes(cell_color + cell_border) [34]: 多种癌症预测模型的混淆矩阵。 模型： 决策树 回归 预料到的： 瘤 非肿瘤 瘤 非肿瘤 实际标签： 肿瘤（阳性） 38 2 18 22 非肿瘤（阴性） 19 第439章 6 第452章 通过切片进行更精细的控制# 到目前为止，我们展示的Styler.apply和Styler.map函数的示例尚未演示该subset参数的使用。这是一个有用的参数，它具有很大的灵活性：它允许您将样式应用于特定的行或列，而无需将该逻辑编码到您的style函数中。 传递给的值的subset行为类似于对 DataFrame 进行切片； 标量被视为列标签 列表（或 Series 或 NumPy 数组）被视为多列标签 元组被视为(row_indexer, column_indexer) 考虑使用pd.IndexSlice来构造最后一个元组。我们将创建一个多索引数据帧来演示该功能。 [36]: df3 = pd.DataFrame(np.random.randn(4,4), pd.MultiIndex.from_product([['A', 'B'], ['r1', 'r2']]), columns=['c1','c2','c3','c4']) df3 [36]: c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 我们将使用子集以红色文本突出显示第三列和第四列中的最大值。我们将以黄色突出显示子集切片区域。 [37]: slice_ = ['c3', 'c4'] df3.style.apply(highlight_max, props='color:red;', axis=0, subset=slice_)\ .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) [37]: c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 如果与IndexSlice建议的结合使用，那么它可以以更大的灵活性跨两个维度进行索引。 [38]: idx = pd.IndexSlice slice_ = idx[idx[:,'r1'], idx['c2':'c4']] df3.style.apply(highlight_max, props='color:red;', axis=0, subset=slice_)\ .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) [38]: c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 这还提供了与axis=1. [39]: slice_ = idx[idx[:,'r2'], :] df3.style.apply(highlight_max, props='color:red;', axis=1, subset=slice_)\ .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) [39]: c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 还可以提供条件过滤。 假设我们只想在第 1 列和第 3 列之和小于 -2.0 （基本上不包括 rows (:,'r2')）的情况下突出显示第 2 列和第 4 列的最大值。 [40]: slice_ = idx[idx[(df3['c1'] + df3['c3']) < -2.0], ['c2', 'c4']] df3.style.apply(highlight_max, props='color:red;', axis=1, subset=slice_)\ .set_properties(**{'background-color': '#ffffb3'}, subset=slice_) [40]: c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 目前仅支持基于标签的切片，不支持位置切片，也不支持可调用切片。 如果您的样式函数使用subsetoraxis关键字参数，请考虑将您的函数包装在 a 中functools.partial，部分化该关键字。 my_func2 = functools.partial(my_func, subset=42) 优化＃ 一般来说，对于较小的表格和大多数情况，渲染的 HTML 不需要优化，我们并不真正推荐它。有两种情况值得考虑： 如果您正在渲染一个非常大的 HTML 表格并设置其样式，某些浏览器会出现性能问题。 如果您正在使用Styler动态创建部分在线用户界面并希望提高网络性能。 在此我们建议按以下步骤实施： 1. 删除UUID和cell_ids # 忽略uuid并设置cell_ids为False。这将防止不必要的 HTML。 这是次优的： [41]: df4 = pd.DataFrame([[1,2],[3,4]]) s4 = df4.style 这个更好： [42]: from pandas.io.formats.style import Styler s4 = Styler(df4, uuid_len=0, cell_ids=False) 2.使用表格样式# 尽可能使用表格样式（例如一次针对所有单元格或行或列），因为 CSS 几乎总是比其他格式更有效。 这是次优的： [43]: props = 'font-family: "Times New Roman", Times, serif; color: #e83e8c; font-size:1.3em;' df4.style.map(lambda x: props, subset=[1]) [43]: 0 1 0 1 2 1 3 4 这个更好： [44]: df4.style.set_table_styles([{'selector': 'td.col1', 'props': props}]) [44]: 0 1 0 1 2 1 3 4 3. 设置类而不是使用 Styler 函数# 对于将相同样式应用于许多单元格的大型 DataFrame，将样式声明为类，然后将这些类应用于数据单元格，而不是直接将样式应用于单元格，会更有效。但是，当您不关心优化时，使用 Styler 函数 api 可能更容易。 这是次优的： [45]: df2.style.apply(highlight_max, props='color:white;background-color:darkblue;', axis=0)\ .apply(highlight_max, props='color:white;background-color:pink;', axis=1)\ .apply(highlight_max, props='color:white;background-color:purple', axis=None) [45]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 这个更好： [46]: build = lambda x: pd.DataFrame(x, index=df2.index, columns=df2.columns) cls1 = build(df2.apply(highlight_max, props='cls-1 ', axis=0)) cls2 = build(df2.apply(highlight_max, props='cls-2 ', axis=1, result_type='expand').values) cls3 = build(highlight_max(df2, props='cls-3 ')) df2.style.set_table_styles([ {'selector': '.cls-1', 'props': 'color:white;background-color:darkblue;'}, {'selector': '.cls-2', 'props': 'color:white;background-color:pink;'}, {'selector': '.cls-3', 'props': 'color:white;background-color:purple;'} ]).set_td_classes(cls1 + cls2 + cls3) [46]: A 乙 C D 0 1.764052 0.400157 0.978738 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 -0.854096 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 4. 不要使用工具提示# 工具提示需要cell_ids工作，并且它们会为每个数据单元格生成额外的 HTML 元素。 5. 如果每个字节都很重要，则使用字符串替换# 您可以删除不必要的 HTML，或通过替换默认的 css 字典来缩短默认的类名称。您可以在下面阅读有关 CSS 的更多信息。 [47]: my_css = { "row_heading": "", "col_heading": "", "index_name": "", "col": "c", "row": "r", "col_trim": "", "row_trim": "", "level": "l", "data": "", "blank": "", } html = Styler(df4, uuid_len=0, cell_ids=False) html.set_table_styles([{'selector': 'td', 'props': props}, {'selector': '.c1', 'props': 'color:green;'}, {'selector': '.l0', 'props': 'color:blue;'}], css_class_names=my_css) print(html.to_html()) <style type="text/css"> #T_ td { font-family: "Times New Roman", Times, serif; color: #e83e8c; font-size: 1.3em; } #T_ .c1 { color: green; } #T_ .l0 { color: blue; } </style> <table id="T_"> <thead> <tr> <th class=" l0" > </th> <th class=" l0 c0" >0</th> <th class=" l0 c1" >1</th> </tr> </thead> <tbody> <tr> <th class=" l0 r0" >0</th> <td class=" r0 c0" >1</td> <td class=" r0 c1" >2</td> </tr> <tr> <th class=" l0 r1" >1</th> <td class=" r1 c0" >3</td> <td class=" r1 c1" >4</td> </tr> </tbody> </table> [48]: html [48]: 0 1 0 1 2 1 3 4 内置样式# 一些样式函数非常常见，我们已将它们“内置”到 中Styler，因此您不必自己编写和应用它们。此类函数的当前列表是： .highlight_null：用于识别丢失的数据。 .highlight_min和.highlight_max：用于识别数据中的极端情况。 .highlight_ Between和.highlight_quantile：用于识别数据中的类。 .background_gradient：一种灵活的方法，用于根据数字刻度上的值或其他值突出显示单元格。 .text_gradient：基于数字刻度上的文本或其他值突出显示文本的类似方法。 .bar：在单元格背景中显示迷你图表。 每个函数的单独文档通常会提供更多其参数的示例。 突出显示空# [49]: df2.iloc[0,2] = np.nan df2.iloc[4,3] = np.nan df2.loc[:4].style.highlight_null(color='yellow') [49]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 突出显示最小或最大# [50]: df2.loc[:4].style.highlight_max(axis=1, props='color:white; font-weight:bold; background-color:darkblue;') [50]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 突出显示#之间 如果索引匹配，此方法接受范围为浮点数、NumPy 数组或系列。 [51]: left = pd.Series([1.0, 0.0, 1.0], index=["A", "B", "D"]) df2.loc[:4].style.highlight_between(left=left, right=1.5, axis=1, props='color:white; background-color:purple;') [51]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 突出显示分位数# 可用于检测最高或最低百分位值 [52]: df2.loc[:4].style.highlight_quantile(q_left=0.85, axis=None, color='yellow') [52]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 背景渐变和文本渐变# 您可以使用background_gradient和text_gradient方法创建“热图”。这些需要 matplotlib，我们将使用Seaborn来获得漂亮的色彩图。 [53]: import seaborn as sns cm = sns.light_palette("green", as_cmap=True) df2.style.background_gradient(cmap=cm) [53]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 [54]: df2.style.text_gradient(cmap=cm) [54]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 .background_gradient和.text_gradient有许多关键字参数来自定义渐变和颜色。请参阅文档。 设置属性# Styler.set_properties当样式实际上不依赖于值时使用。这只是一个简单的包装，.map函数为所有单元格返回相同的属性。 [55]: df2.loc[:4].style.set_properties(**{'background-color': 'black', 'color': 'lawngreen', 'border-color': 'white'}) [55]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 条形图＃ 您可以在数据框中包含“条形图”。 [56]: df2.style.bar(subset=['A', 'B'], color='#d65f5f') [56]: A 乙 C D 0 1.764052 0.400157 南 2.240893 1 1.867558 -0.977278 0.950088 -0.151357 2 -0.103219 0.410599 0.144044 1.454274 3 0.761038 0.121675 0.443863 0.333674 4 1.494079 -0.205158 0.313068 南 5 -2.552990 0.653619 0.864436 -0.742165 6 2.269755 -1.454366 0.045759 -0.187184 7 1.532779 1.469359 0.154947 0.378163 8 -0.887786 -1.980796 -0.347912 0.156349 9 1.230291 1.202380 -0.387327 -0.302303 其他关键字参数可以更好地控制居中和定位，您可以传递一个列表来突出显示较低和较高的值或 matplotlib 颜色图。[color_negative, color_positive] 为了展示这里的示例，您可以如何使用新align选项更改上述内容，并结合设置vmin和vmax限制、width图形的以及props单元格的底层 CSS，留出空间来显示文本和栏。我们还使用text_gradientmatplotlib 颜色图将文本着色为与条形相同的颜色（尽管在这种情况下，如果没有这种附加效果，可视化可能会更好）。 [57]: df2.style.format('{:.3f}', na_rep="")\ .bar(align=0, vmin=-2.5, vmax=2.5, cmap="bwr", height=50, width=60, props="width: 120px; border-right: 1px solid black;")\ .text_gradient(cmap="bwr", vmin=-2.5, vmax=2.5) [57]: A 乙 C D 0 1.764 0.400 2.241 1 1.868 -0.977 0.950 -0.151 2 -0.103 0.411 0.144 1.454 3 0.761 0.122 0.444 0.334 4 1.494 -0.205 0.313 5 -2.553 0.654 0.864 -0.742 6 2.270 -1.454 0.046 -0.187 7 1.533 1.469 0.155 0.378 8 -0.888 -1.981 -0.348 0.156 9 1.230 1.202 -0.387 -0.302 以下示例旨在重点介绍新对齐选项的行为： [59]: HTML(head) [59]: 对齐 全部负面 负数和正数 全部积极 大正值 左边 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 正确的 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 零 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 中 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 意思是 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 99 -100 -60 -30 -20 -10 -5 0 90 10 20 50 100 100 103 101 102 分享风格# 假设您为 DataFrame 构建了一个可爱的样式，现在您想将相同的样式应用于第二个 DataFrame。使用 导出样式df1.style.export，然后将其导入到第二个 DataFrame 上df1.style.set [60]: style1 = df2.style\ .map(style_negative, props='color:red;')\ .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)\ .set_table_styles([{"selector": "th", "props": "color: blue;"}])\ .hide(axis="index") style1 [60]: A 乙 C D 1.764052 0.400157 南 2.240893 1.867558 -0.977278 0.950088 -0.151357 -0.103219 0.410599 0.144044 1.454274 0.761038 0.121675 0.443863 0.333674 1.494079 -0.205158 0.313068 南 -2.552990 0.653619 0.864436 -0.742165 2.269755 -1.454366 0.045759 -0.187184 1.532779 1.469359 0.154947 0.378163 -0.887786 -1.980796 -0.347912 0.156349 1.230291 1.202380 -0.387327 -0.302303 [61]: style2 = df3.style style2.use(style1.export()) style2 [61]: c1 c2 c3 c4 -1.048553 -1.420018 -1.706270 1.950775 -0.509652 -0.438074 -1.252795 0.777490 -1.613898 -0.212740 -0.895467 0.386902 -0.510805 -1.180632 -0.028182 0.428332 请注意，即使样式是数据感知的，您也可以共享样式。样式在它们所依赖的新 DataFrame 上重新评估use。 限制# 仅数据框（使用Series.to_frame().style） 索引和列不需要是唯一的，但某些样式函数只能使用唯一索引。 重复次数不多，施工性能不佳；虽然我们有一些HTML 优化 您只能应用样式，不能插入新的 HTML 实体，除非通过子类化。 其他有趣和有用的东西# 这里有一些有趣的例子。 小部件# Styler与小部件交互得很好。如果您在线查看此内容而不是自己运行笔记本，那么您将错过以交互方式调整调色板的机会。 [62]: from ipywidgets import widgets @widgets.interact def f(h_neg=(0, 359, 1), h_pos=(0, 359), s=(0., 99.9), l=(0., 99.9)): return df2.style.background_gradient( cmap=sns.palettes.diverging_palette(h_neg=h_neg, h_pos=h_pos, s=s, l=l, as_cmap=True) ) 放大# [63]: def magnify(): return [dict(selector="th", props=[("font-size", "4pt")]), dict(selector="td", props=[('padding', "0em 0em")]), dict(selector="th:hover", props=[("font-size", "12pt")]), dict(selector="tr:hover td:hover", props=[('max-width', '200px'), ('font-size', '12pt')]) ] [64]: np.random.seed(25) cmap = cmap=sns.diverging_palette(5, 250, as_cmap=True) bigdf = pd.DataFrame(np.random.randn(20, 25)).cumsum() bigdf.style.background_gradient(cmap, axis=1)\ .set_properties(**{'max-width': '80px', 'font-size': '1pt'})\ .set_caption("Hover to magnify")\ .format(precision=2)\ .set_table_styles(magnify()) [64]: 悬停放大 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 号 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 号 5.64 4.57 -3.53 -3.76 6.58 -2.58 -0.75 6.58 -4.78 3.63 -0.29 0.56 5.76 2.05 -2.27 -2.31 -4.95 -3.16 -3.06 -2.43 0.84 -12.57 3.56 7.36 4.70 18 5.99 5.82 -2.85 -4.15 7.12 -3.32 -1.21 7.93 -4.85 1.44 -0.63 0.35 7.47 0.87 -1.52 -2.09 -4.23 -2.55 -2.46 -2.89 1.90 -9.74 3.43 7.07 4.39 19 4.03 6.23 -4.10 -4.11 7.19 -4.10 -1.52 6.53 -5.21 -0.24 0.01 1.16 6.43 -1.97 -2.64 -1.66 -5.20 -3.25 -2.87 -1.65 1.64 -10.66 2.83 7.48 3.94 粘性标题# 如果您在笔记本中显示大型矩阵或 DataFrame，但希望始终看到列标题和行标题，则可以使用.set_sticky方法来操作表格样式 CSS。 [65]: bigdf = pd.DataFrame(np.random.randn(16, 100)) bigdf.style.set_sticky(axis="index") [65]: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 号 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 0 -0.773866 -0.240521 -0.217165 1.173609 0.686390 0.008358 0.696232 0.173166 0.620498 0.504067 0.428066 -0.051824 0.719915 0.057165 0.562808 -0.369536 0.483399 0.620765 -0.354342 -1.469471 -1.937266 0.038031 -1.518162 -0.417599 0.386717 0.716193 0.489961 0.733957 0.914415 0.679894 0.255448 -0.508338 0.332030 -0.111107 -0.251983 -1.456620 0.409630 1.062320 -0.577115 0.718796 -0.399260 -1.311389 0.649122 0.091566 0.628872 0.297894 -0.142290 -0.542291 -0.914290 1.144514 0.313584 1.182635 1.214235 -0.416446 -1.653940 -2.550787 0.442473 0.052127 -0.464469 -0.523852 0.989726 -1.325539 -0.199687 -1.226727 0.290018 1.164574 0.817841 -0.309509 0.496599 0.943536 -0.091850 -2.802658 2.126219 -0.521161 0.288098 -0.454663 -1.676143 -0.357661 -0.788960 0.185911 -0.017106 2.454020 1.832706 -0.911743 -0.655873 -0.000514 -2.226997 0.677285 -0.140249 -0.408407 -0.838665 0.482228 1.243458 -0.477394 -0.220343 -2.463966 0.237325 -0.307380 1.172478 0.819492 1 0.405906 -0.978919 1.267526 0.145250 -1.066786 -2.114192 -1.128346 -1.082523 0.372216 0.004127 -0.211984 0.937326 -0.935890 -1.704118 0.611789 -1.030015 0.636123 -1.506193 1.736609 1.392958 1.009424 0.353266 0.697339 -0.297424 0.428702 -0.145346 -0.333553 -0.974699 0.665314 0.971944 0.121950 -1.439668 1.018808 1.442399 -0.199585 -1.165916 0.645656 1.436466 -0.921215 1.293906 -2.706443 1.460928 -0.823197 0.292952 -1.448992 0.026692 -0.975883 0.392823 0.442166 0.745741 1.187982 -0.218570 0.305288 0.054932 -1.476953 -0.114434 0.014103 0.825394 -0.060654 -0.413688 0.974836 1.339210 1.034838 0.040775 0.705001 0.017796 1.867681 -0.390173 2.285277 2.311464 -0.085070 -0.648115 0.576300 -0.790087 -1.183798 -1.334558 -0.454118 0.319302 1.706488 0.830429 0.502476 -0.079631 0.414635 0.332511 0.042935 -0.160910 0.918553 -0.292697 -1.303834 -0.199604 0.871023 -1.370681 -0.205701 -0.492973 1.123083 -0.081842 -0.118527 0.245838 -0.315742 -0.511806 2 0.011470 -0.036104 1.399603 -0.418176 -0.412229 -1.234783 -1.121500 1.196478 -0.569522 0.422022 -0.220484 0.804338 2.892667 -0.511055 -0.168722 -1.477996 -1.969917 0.471354 1.698548 0.137105 -0.762052 0.199379 -0.964346 -0.256692 1.265275 0.848762 -0.784161 1.863776 -0.355569 0.854552 0.768061 -2.075718 -2.501069 1.109868 0.957545 -0.683276 0.307764 0.733073 1.706250 -1.118091 0.374961 -1.414503 -0.524183 -1.662696 0.687921 0.521732 1.451396 -0.833491 -0.362796 -1.174444 -0.813893 -0.893220 0.770743 1.156647 -0.647444 0.125929 0.513600 -0.537874 1.992052 -1.946584 -0.104759 0.484779 -0.290936 -0.441075 0.542993 -1.050038 1.630482 0.239771 -1.177310 0.464804 -0.966995 0.646086 0.486899 1.022196 -2.267827 -1.229616 1.313805 1.073292 2.324940 -0.542720 -1.504292 0.777643 -0.618553 0.011342 1.385062 1.363552 -0.549834 0.688896 1.361288 -0.381137 0.797812 -1.128198 0.369208 0.540132 0.413853 -0.200308 -0.969126 0.981293 -0.009783 -0.320020 3 -0.574816 1.419977 0.434813 -1.101217 -1.586275 1.979573 0.378298 0.782326 2.178987 0.657564 0.683774 -0.091000 -0.059552 -0.738908 -0.907653 -0.701936 0.580039 -0.618757 0.453684 1.665382 -0.152321 0.880077 0.571073 -0.604736 0.532359 0.515031 -0.959844 -0.887184 0.435781 0.862093 -0.956321 -0.625909 0.194472 0.442490 0.526503 -0.215274 0.090711 0.932592 0.811999 -2.497026 0.631545 0.321418 -0.425549 -1.078832 0.753444 0.199790 -0.360526 -0.013448 -0.819476 0.814869 0.442118 -0.972048 -0.060603 -2.349825 1.265445 -0.573257 0.429124 1.049783 1.954773 0.071883 -0.094209 0.265616 0.948318 0.331645 1.343401 -0.167934 -1.105252 -0.167077 -0.096576 -0.838161 -0.208564 0.394534 0.762533 1.235357 -0.207282 -0.202946 -0.468025 0.256944 2.587584 1.186697 -1.031903 1.428316 0.658899 -0.046582 -0.075422 1.329359 -0.684267 -1.524182 2.014061 3.770933 0.647353 -1.021377 -0.345493 0.582811 0.797812 1.326020 1.422857 -3.077007 0.184083 1.478935 4 -0.600142 1.929561 -2.346771 -0.669700 -1.165258 0.814788 0.444449 -0.576758 0.353091 0.408893 0.091391 -2.294389 0.485506 -0.081304 -0.716272 -1.648010 1.005361 -1.489603 0.363098 0.758602 -1.373847 -0.972057 1.988537 0.319829 1.169060 0.146585 1.030388 1.165984 1.369563 0.730984 -1.383696 -0.515189 -0.808927 -1.174651 -1.631502 -1.123414 -0.478155 -1.583067 1.419074 1.668777 1.567517 0.222103 -0.336040 -1.352064 0.251032 -0.401695 0.268413 -0.012299 -0.918953 2.921208 -0.581588 0.672848 1.251136 1.382263 1.429897 1.290990 -1.272673 -0.308611 -0.422988 -0.675642 0.874441 1.305736 -0.262585 -1.099395 -0.667101 -0.646737 -0.556338 -0.196591 0.119306 -0.266455 -0.524267 2.650951 0.097318 -0.974697 0.189964 1.141155 -0.064434 1.104971 -1.508908 -0.031833 0.803919 -0.659221 0.939145 0.214041 -0.531805 0.956060 0.249328 0.637903 -0.510158 1.850287 -0.348407 2.001376 -0.389643 -0.024786 -0.470973 0.869339 0.170667 0.598062 1.217262 1.274013 5 -0.389981 -0.752441 -0.734871 3.517318 -1.173559 -0.004956 0.145419 2.151368 -3.086037 -1.569139 1.449784 -0.868951 -1.687716 -0.994401 1.153266 1.803045 -0.819059 0.847970 0.227102 -0.500762 0.868210 1.823540 1.161007 -0.307606 -0.713416 0.363560 -0.822162 2.427681 -0.129537 -0.078716 1.345644 -1.286094 0.237242 -0.136056 0.596664 -1.412381 1.206341 0.299860 0.705238 0.142412 -1.059382 0.833468 1.060015 -0.527045 -1.135732 -1.140983 -0.779540 -0.640875 -1.217196 -1.675663 0.241263 -0.273322 -1.697936 -0.594943 0.101154 1.391735 -0.426953 1.008344 -0.818577 1.924570 -0.578900 -0.457395 -1.096705 0.418522 -0.155623 0.169706 -2.533706 0.018904 1.434160 0.744095 0.647626 -0.770309 2.329141 -0.141547 -1.761594 0.702091 -1.531450 -0.788427 -0.184622 -1.942321 1.530113 0.503406 1.105845 -0.935120 -1.115483 -2.249762 1.307135 0.788412 -0.441091 0.073561 0.812101 -0.916146 1.573714 -0.309508 0.499987 0.187594 0.558913 0.903246 0.317901 -0.809797 6 1.128248 1.516826 -0.186735 -0.668157 1.132259 -0.246648 -0.855167 0.732283 0.931802 1.318684 -1.198418 -1.149318 0.586321 -1.171937 -0.607731 2.753747 1.479287 -1.136365 -0.020485 0.320444 -1.955755 0.660402 -1.545371 0.200519 -0.017263 1.634686 0.599246 0.462989 0.023721 0.225546 0.170972 -0.027496 -0.061233 -0.566411 -0.669567 0.601618 0.503656 -0.678253 -2.907108 -1.717123 0.397631 1.300108 0.215821 -0.593075 -0.225944 -0.946057 1.000308 0.393160 1.342074 -0.370687 -0.166413 -0.419814 -0.255931 1.789478 0.282378 0.742260 -0.050498 1.415309 0.838166 -1.400292 -0.937976 -1.499148 0.801859 0.224824 0.283572 0.643703 -1.198465 0.527206 0.215202 0.437048 1.312868 0.741243 0.077988 0.006123 0.190370 0.018007 -1.026036 -2.378430 -1.069949 0.843822 1.289216 -1.423369 -0.462887 0.197330 -0.935076 0.441271 0.414643 -0.377887 -0.530515 0.621592 1.009572 0.569718 0.175291 -0.656279 -0.112273 -0.392137 -1.043558 -0.467318 -0.384329 -2.009207 7 0.658598 0.101830 -0.682781 0.229349 -0.305657 0.404877 0.252244 -0.837784 -0.039624 0.329457 0.751694 1.469070 -0.157199 1.032628 -0.584639 -0.925544 0.342474 -0.969363 0.133480 -0.385974 -0.600278 0.281939 0.868579 1.129803 -0.041898 0.961193 0.131521 -0.792889 -1.285737 0.073934 -1.333315 -1.044125 1.277338 1.492257 0.411379 1.771805 -1.111128 1.123233 -1.019449 1.738357 -0.690764 -0.120710 -0.421359 -0.727294 -0.857759 -0.069436 -0.328334 -0.558180 1.063474 -0.519133 -0.496902 1.089589 -1.615801 0.080174 -0.229938 -0.498420 -0.624615 0.059481 -0.093158 -1.784549 -0.503789 -0.140528 0.002653 -0.484930 0.055914 -0.680948 -0.994271 1.277052 0.037651 2.155421 -0.437589 0.696404 0.417752 -0.544785 1.190690 0.978262 0.752102 0.504472 0.139853 -0.505089 -0.264975 -1.603194 0.731847 0.010903 -1.165346 -0.125195 -1.032685 -0.465520 1.514808 0.304762 0.793414 0.314635 -1.638279 0.111737 -0.777037 0.251783 1.126303 -0.808798 0.422064 -0.349264 8 -0.356362 -0.089227 0.609373 0.542382 -0.768681 -0.048074 2.015458 -1.552351 0.251552 1.459635 0.949707 0.339465 -0.001372 1.798589 1.559163 0.231783 0.423141 -0.310530 0.353795 2.173336 -0.196247 -0.375636 -0.858221 0.258410 0.656430 0.960819 1.137893 1.553405 0.038981 -0.632038 -0.132009 -1.834997 -0.242576 -0.297879 -0.441559 -0.769691 0.224077 -0.153009 0.519526 -0.680188 0.535851 0.671496 -0.183064 0.301234 1.288256 -2.478240 -0.360403 0.424067 -0.834659 -0.128464 -0.489013 -0.014888 -1.461230 -1.435223 -1.319802 1.083675 0.979140 -0.375291 1.110189 -1.011351 0.587886 -0.822775 -1.183865 1.455173 1.134328 0.239403 -0.837991 -1.130932 0.783168 1.845520 1.437072 -1.198443 1.379098 2.129113 0.260096 -0.011975 0.043302 0.722941 1.028152 -0.235806 1.145245 -1.359598 0.232189 0.503712 -0.614264 -0.530606 -2.435803 -0.255238 -0.064423 0.784643 0.256346 0.128023 1.414103 -1.118659 0.877353 0.500561 0.463651 -2.034512 -0.981683 -0.691944 9 -1.113376 -1.169402 0.680539 -1.534212 1.653817 -1.295181 -0.566826 0.477014 1.413371 0.517105 1.401153 -0.872685 0.830957 0.181507 -0.145616 0.694592 -0.751208 0.324444 0.681973 -0.054972 0.917776 -1.024810 -0.206446 -0.600113 0.852805 1.455109 -0.079769 0.076076 0.207699 -1.850458 -0.124124 -0.610871 -0.883362 0.219049 -0.685094 -0.645330 -0.242805 -0.775602 0.233070 2.422642 -1.423040 -0.582421 0.968304 -0.701025 -0.167850 0.277264 1.301231 0.301205 -3.081249 -0.562868 0.192944 -0.664592 0.565686 0.190913 -0.841858 -1.856545 -1.022777 1.295968 0.451921 0.659955 0.065818 -0.319586 0.253495 -1.144646 -0.483404 0.555902 0.807069 0.714196 0.661196 0.053667 0.346833 -1.288977 -0.386734 -1.262127 0.477495 -0.494034 -0.911414 1.152963 -0.342365 -0.160187 0.470054 -0.853063 -1.387949 -0.257257 -1.030690 -0.110210 0.328911 -0.555923 0.987713 -0.501957 2.069887 -0.067503 0.316029 -1.506232 2.201621 0.492097 -0.085193 -0.977822 1.039147 -0.653932 10 -0.405638 -1.402027 -1.166242 1.306184 0.856283 -1.236170 -0.646721 -1.474064 0.082960 0.090310 -0.169977 0.406345 0.915427 -0.974503 0.271637 1.539184 -0.098866 -0.525149 1.063933 0.085827 -0.129622 0.947959 -0.072496 -0.237592 0.012549 1.065761 0.996596 -0.172481 2.583139 -0.028578 -0.254856 1.328794 -1.592951 2.434350 -0.341500 -0.307719 -1.333273 -1.100845 0.209097 1.734777 0.639632 0.424779 -0.129327 0.905029 -0.482909 1.731628 -2.783425 -0.333677 -0.110895 1.212636 -0.208412 0.427117 1.348563 0.043859 1.772519 -1.416106 0.401155 0.807157 0.303427 -1.246288 0.178774 -0.066126 -1.862288 1.241295 0.377021 -0.822320 -0.749014 1.463652 1.602268 -1.043877 1.185290 -0.565783 -1.076879 1.360241 -0.121991 0.991043 1.007952 0.450185 -0.744376 1.388876 -0.316847 -0.841655 -1.056842 -0.500226 0.096959 1.176896 -2.939652 1.792213 0.316340 0.303218 1.024967 -0.590871 -0.453326 -0.795981 -0.393301 -0.374372 -1.270199 1.618372 1.197727 -0.914863 11 -0.625210 0.288911 0.288374 -1.372667 -0.591395 -0.478942 1.335664 -0.459855 -1.615975 -1.189676 0.374767 -2.488733 0.586656 -1.422008 0.496030 1.911128 -0.560660 -0.499614 -0.372171 -1.833069 0.237124 -0.944446 0.912140 0.359790 -1.359235 0.166966 -0.047107 -0.279789 -0.594454 -0.739013 -1.527645 0.401668 1.791252 -2.774848 0.523873 2.207585 0.488999 -0.339283 0.131711 0.018409 1.186551 -0.424318 1.554994 -0.205917 -0.934975 0.654102 -1.227761 -0.461025 -0.421201 -0.058615 -0.584563 0.336913 -0.477102 -1.381463 0.757745 -0.268968 0.034870 1.231686 0.236600 1.234720 -0.040247 0.029582 1.034905 0.380204 -0.012108 -0.859511 -0.990340 -1.205172 -1.030178 0.426676 0.497796 -0.876808 0.957963 0.173016 0.131612 -1.003556 -1.069908 -1.799207 1.429598 -0.116015 -1.454980 0.261917 0.444412 0.273290 0.844115 0.218745 -1.033350 -1.188295 0.058373 0.800523 -1.627068 0.861651 0.871018 -0.003733 -0.243354 0.947296 0.509406 0.044546 0.266896 1.337165 12 0.699142 -1.928033 0.105363 1.042322 0.715206 -0.763783 0.098798 -1.157898 0.134105 0.042041 0.674826 0.165649 -1.622970 -3.131274 0.597649 -1.880331 0.663980 -0.256033 -1.524058 0.492799 0.221163 0.429622 -0.659584 1.264506 -0.032131 -2.114907 -0.264043 0.457835 -0.676837 -0.629003 0.489145 -0.551686 0.942622 -0.512043 -0.455893 0.021244 -0.178035 -2.498073 -0.171292 0.323510 -0.545163 -0.668909 -0.150031 0.521620 -0.428980 0.676463 0.369081 -0.724832 0.793542 1.237422 0.401275 2.141523 0.249012 0.486755 -0.163274 0.592222 -0.292600 -0.547168 0.619104 -0.013605 0.776734 0.131424 1.189480 -0.666317 -0.939036 1.105515 0.621452 1.586605 -0.760970 1.649646 0.283199 1.275812 -0.452012 0.301361 -0.976951 -0.268106 -0.079255 -1.258332 2.216658 -1.175988 -0.863497 -1.653022 -0.561514 0.450753 0.417200 0.094676 -2.231054 1.316862 -0.477441 0.646654 -0.200252 1.074354 -0.058176 0.120990 0.222522 -0.179507 0.421655 -0.914341 -0.234178 0.741524 13 0.932714 1.423761 -1.280835 0.347882 -0.863171 -0.852580 1.044933 2.094536 0.806206 0.416201 -1.109503 0.145302 -0.996871 0.325456 -0.605081 1.175326 1.645054 0.293432 -2.766822 1.032849 0.079115 -1.414132 1.463376 2.335486 0.411951 -0.048543 0.159284 -0.651554 -1.093128 1.568390 -0.077807 -2.390779 -0.842346 -0.229675 -0.999072 -1.367219 -0.792042 -1.878575 1.451452 1.266250 -0.734315 0.266152 0.735523 -0.430860 0.229864 0.850083 -2.241241 1.063850 0.289409 -0.354360 0.113063 -0.173006 1.386998 1.886236 0.587119 -0.961133 0.399295 1.461560 0.310823 0.280220 -0.879103 -1.326348 0.003337 -1.085908 -0.436723 2.111926 0.106068 0.615597 2.152996 -0.196155 0.025747 -0.039061 0.656823 -0.347105 2.513979 1.758070 1.288473 -0.739185 -0.691592 -0.098728 -0.276386 0.489981 0.516278 -0.838258 0.596673 -0.331053 0.521174 -0.145023 0.836693 -1.092166 0.361733 -1.169981 0.046731 0.655377 -0.756852 1.285805 -0.095019 0.360253 1.370621 0.083010 14 0.888893 2.288725 -1.032332 0.212273 -1.091826 1.692498 1.025367 0.550854 0.679430 -1.335712 -0.798341 2.265351 -1.006938 2.059761 0.420266 -1.189657 0.506674 0.260847 -0.533145 0.727267 1.412276 1.482106 -0.996258 0.588641 -0.412642 -0.920733 -0.874691 0.839002 0.501668 -0.342493 -0.533806 -2.146352 -0.597339 0.115726 0.850683 -0.752239 0.377263 -0.561982 0.262783 -0.356676 -0.367462 0.753611 -1.267414 -1.330698 -0.536453 0.840938 -0.763108 -0.268100 -0.677424 1.606831 0.151732 -2.085701 1.219296 0.400863 0.591165 -1.485213 1.501979 1.196569 -0.214154 0.339554 -0.034446 1.176452 0.546340 -1.255630 -1.309210 -0.445437 0.189437 -0.737463 0.843767 -0.605632 -0.060777 0.409310 1.285569 -0.622638 1.018193 0.880680 0.046805 -1.818058 -0.809829 0.875224 0.409569 -0.116621 -1.238919 3.305724 -0.024121 -1.756500 1.328958 0.507593 -0.866554 -2.240848 -0.661376 -0.671824 0.215720 -0.296326 0.481402 0.829645 -0.721025 1.263914 0.549047 -1.234945 15 -1.978838 0.721823 -0.559067 -1.235243 0.420716 -0.598845 0.359576 -0.619366 -1.757772 -1.156251 0.705212 0.875071 -1.020376 0.394760 -0.147970 0.230249 1.355203 1.794488 2.678058 -0.153565 -0.460959 -0.098108 -1.407930 -2.487702 1.823014 0.099873 -0.517603 -0.509311 -1.833175 -0.900906 0.459493 -0.655440 1.466122 -1.531389 -0.422106 0.421422 0.578615 0.259795 0.018941 -0.168726 1.611107 -1.586550 -1.384941 0.858377 1.033242 1.701343 1.748344 -0.371182 -0.843575 2.089641 -0.345430 -1.740556 0.141915 -2.197138 0.689569 -0.150025 0.287456 0.654016 -1.521919 -0.918008 -0.587528 0.230636 0.262637 0.615674 0.600044 -0.494699 -0.743089 0.220026 -0.242207 0.528216 -0.328174 -1.536517 -1.476640 -1.162114 -1.260222 1.106252 -1.467408 -0.349341 -1.841217 0.031296 -0.076475 -0.353383 0.807545 0.779064 -2.398417 -0.267828 1.549734 0.814397 0.284770 -0.659369 0.761040 -0.722067 0.810332 1.501295 1.440865 -1.367459 -0.700301 -1.540662 0.159837 -0.625415 也可以坚持多索引，甚至只坚持特定的级别。 [66]: bigdf.index = pd.MultiIndex.from_product([["A","B"],[0,1],[0,1,2,3]]) bigdf.style.set_sticky(axis="index", pixel_size=18, levels=[1,2]) [66]: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 号 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 A 0 0 -0.773866 -0.240521 -0.217165 1.173609 0.686390 0.008358 0.696232 0.173166 0.620498 0.504067 0.428066 -0.051824 0.719915 0.057165 0.562808 -0.369536 0.483399 0.620765 -0.354342 -1.469471 -1.937266 0.038031 -1.518162 -0.417599 0.386717 0.716193 0.489961 0.733957 0.914415 0.679894 0.255448 -0.508338 0.332030 -0.111107 -0.251983 -1.456620 0.409630 1.062320 -0.577115 0.718796 -0.399260 -1.311389 0.649122 0.091566 0.628872 0.297894 -0.142290 -0.542291 -0.914290 1.144514 0.313584 1.182635 1.214235 -0.416446 -1.653940 -2.550787 0.442473 0.052127 -0.464469 -0.523852 0.989726 -1.325539 -0.199687 -1.226727 0.290018 1.164574 0.817841 -0.309509 0.496599 0.943536 -0.091850 -2.802658 2.126219 -0.521161 0.288098 -0.454663 -1.676143 -0.357661 -0.788960 0.185911 -0.017106 2.454020 1.832706 -0.911743 -0.655873 -0.000514 -2.226997 0.677285 -0.140249 -0.408407 -0.838665 0.482228 1.243458 -0.477394 -0.220343 -2.463966 0.237325 -0.307380 1.172478 0.819492 1 0.405906 -0.978919 1.267526 0.145250 -1.066786 -2.114192 -1.128346 -1.082523 0.372216 0.004127 -0.211984 0.937326 -0.935890 -1.704118 0.611789 -1.030015 0.636123 -1.506193 1.736609 1.392958 1.009424 0.353266 0.697339 -0.297424 0.428702 -0.145346 -0.333553 -0.974699 0.665314 0.971944 0.121950 -1.439668 1.018808 1.442399 -0.199585 -1.165916 0.645656 1.436466 -0.921215 1.293906 -2.706443 1.460928 -0.823197 0.292952 -1.448992 0.026692 -0.975883 0.392823 0.442166 0.745741 1.187982 -0.218570 0.305288 0.054932 -1.476953 -0.114434 0.014103 0.825394 -0.060654 -0.413688 0.974836 1.339210 1.034838 0.040775 0.705001 0.017796 1.867681 -0.390173 2.285277 2.311464 -0.085070 -0.648115 0.576300 -0.790087 -1.183798 -1.334558 -0.454118 0.319302 1.706488 0.830429 0.502476 -0.079631 0.414635 0.332511 0.042935 -0.160910 0.918553 -0.292697 -1.303834 -0.199604 0.871023 -1.370681 -0.205701 -0.492973 1.123083 -0.081842 -0.118527 0.245838 -0.315742 -0.511806 2 0.011470 -0.036104 1.399603 -0.418176 -0.412229 -1.234783 -1.121500 1.196478 -0.569522 0.422022 -0.220484 0.804338 2.892667 -0.511055 -0.168722 -1.477996 -1.969917 0.471354 1.698548 0.137105 -0.762052 0.199379 -0.964346 -0.256692 1.265275 0.848762 -0.784161 1.863776 -0.355569 0.854552 0.768061 -2.075718 -2.501069 1.109868 0.957545 -0.683276 0.307764 0.733073 1.706250 -1.118091 0.374961 -1.414503 -0.524183 -1.662696 0.687921 0.521732 1.451396 -0.833491 -0.362796 -1.174444 -0.813893 -0.893220 0.770743 1.156647 -0.647444 0.125929 0.513600 -0.537874 1.992052 -1.946584 -0.104759 0.484779 -0.290936 -0.441075 0.542993 -1.050038 1.630482 0.239771 -1.177310 0.464804 -0.966995 0.646086 0.486899 1.022196 -2.267827 -1.229616 1.313805 1.073292 2.324940 -0.542720 -1.504292 0.777643 -0.618553 0.011342 1.385062 1.363552 -0.549834 0.688896 1.361288 -0.381137 0.797812 -1.128198 0.369208 0.540132 0.413853 -0.200308 -0.969126 0.981293 -0.009783 -0.320020 3 -0.574816 1.419977 0.434813 -1.101217 -1.586275 1.979573 0.378298 0.782326 2.178987 0.657564 0.683774 -0.091000 -0.059552 -0.738908 -0.907653 -0.701936 0.580039 -0.618757 0.453684 1.665382 -0.152321 0.880077 0.571073 -0.604736 0.532359 0.515031 -0.959844 -0.887184 0.435781 0.862093 -0.956321 -0.625909 0.194472 0.442490 0.526503 -0.215274 0.090711 0.932592 0.811999 -2.497026 0.631545 0.321418 -0.425549 -1.078832 0.753444 0.199790 -0.360526 -0.013448 -0.819476 0.814869 0.442118 -0.972048 -0.060603 -2.349825 1.265445 -0.573257 0.429124 1.049783 1.954773 0.071883 -0.094209 0.265616 0.948318 0.331645 1.343401 -0.167934 -1.105252 -0.167077 -0.096576 -0.838161 -0.208564 0.394534 0.762533 1.235357 -0.207282 -0.202946 -0.468025 0.256944 2.587584 1.186697 -1.031903 1.428316 0.658899 -0.046582 -0.075422 1.329359 -0.684267 -1.524182 2.014061 3.770933 0.647353 -1.021377 -0.345493 0.582811 0.797812 1.326020 1.422857 -3.077007 0.184083 1.478935 1 0 -0.600142 1.929561 -2.346771 -0.669700 -1.165258 0.814788 0.444449 -0.576758 0.353091 0.408893 0.091391 -2.294389 0.485506 -0.081304 -0.716272 -1.648010 1.005361 -1.489603 0.363098 0.758602 -1.373847 -0.972057 1.988537 0.319829 1.169060 0.146585 1.030388 1.165984 1.369563 0.730984 -1.383696 -0.515189 -0.808927 -1.174651 -1.631502 -1.123414 -0.478155 -1.583067 1.419074 1.668777 1.567517 0.222103 -0.336040 -1.352064 0.251032 -0.401695 0.268413 -0.012299 -0.918953 2.921208 -0.581588 0.672848 1.251136 1.382263 1.429897 1.290990 -1.272673 -0.308611 -0.422988 -0.675642 0.874441 1.305736 -0.262585 -1.099395 -0.667101 -0.646737 -0.556338 -0.196591 0.119306 -0.266455 -0.524267 2.650951 0.097318 -0.974697 0.189964 1.141155 -0.064434 1.104971 -1.508908 -0.031833 0.803919 -0.659221 0.939145 0.214041 -0.531805 0.956060 0.249328 0.637903 -0.510158 1.850287 -0.348407 2.001376 -0.389643 -0.024786 -0.470973 0.869339 0.170667 0.598062 1.217262 1.274013 1 -0.389981 -0.752441 -0.734871 3.517318 -1.173559 -0.004956 0.145419 2.151368 -3.086037 -1.569139 1.449784 -0.868951 -1.687716 -0.994401 1.153266 1.803045 -0.819059 0.847970 0.227102 -0.500762 0.868210 1.823540 1.161007 -0.307606 -0.713416 0.363560 -0.822162 2.427681 -0.129537 -0.078716 1.345644 -1.286094 0.237242 -0.136056 0.596664 -1.412381 1.206341 0.299860 0.705238 0.142412 -1.059382 0.833468 1.060015 -0.527045 -1.135732 -1.140983 -0.779540 -0.640875 -1.217196 -1.675663 0.241263 -0.273322 -1.697936 -0.594943 0.101154 1.391735 -0.426953 1.008344 -0.818577 1.924570 -0.578900 -0.457395 -1.096705 0.418522 -0.155623 0.169706 -2.533706 0.018904 1.434160 0.744095 0.647626 -0.770309 2.329141 -0.141547 -1.761594 0.702091 -1.531450 -0.788427 -0.184622 -1.942321 1.530113 0.503406 1.105845 -0.935120 -1.115483 -2.249762 1.307135 0.788412 -0.441091 0.073561 0.812101 -0.916146 1.573714 -0.309508 0.499987 0.187594 0.558913 0.903246 0.317901 -0.809797 2 1.128248 1.516826 -0.186735 -0.668157 1.132259 -0.246648 -0.855167 0.732283 0.931802 1.318684 -1.198418 -1.149318 0.586321 -1.171937 -0.607731 2.753747 1.479287 -1.136365 -0.020485 0.320444 -1.955755 0.660402 -1.545371 0.200519 -0.017263 1.634686 0.599246 0.462989 0.023721 0.225546 0.170972 -0.027496 -0.061233 -0.566411 -0.669567 0.601618 0.503656 -0.678253 -2.907108 -1.717123 0.397631 1.300108 0.215821 -0.593075 -0.225944 -0.946057 1.000308 0.393160 1.342074 -0.370687 -0.166413 -0.419814 -0.255931 1.789478 0.282378 0.742260 -0.050498 1.415309 0.838166 -1.400292 -0.937976 -1.499148 0.801859 0.224824 0.283572 0.643703 -1.198465 0.527206 0.215202 0.437048 1.312868 0.741243 0.077988 0.006123 0.190370 0.018007 -1.026036 -2.378430 -1.069949 0.843822 1.289216 -1.423369 -0.462887 0.197330 -0.935076 0.441271 0.414643 -0.377887 -0.530515 0.621592 1.009572 0.569718 0.175291 -0.656279 -0.112273 -0.392137 -1.043558 -0.467318 -0.384329 -2.009207 3 0.658598 0.101830 -0.682781 0.229349 -0.305657 0.404877 0.252244 -0.837784 -0.039624 0.329457 0.751694 1.469070 -0.157199 1.032628 -0.584639 -0.925544 0.342474 -0.969363 0.133480 -0.385974 -0.600278 0.281939 0.868579 1.129803 -0.041898 0.961193 0.131521 -0.792889 -1.285737 0.073934 -1.333315 -1.044125 1.277338 1.492257 0.411379 1.771805 -1.111128 1.123233 -1.019449 1.738357 -0.690764 -0.120710 -0.421359 -0.727294 -0.857759 -0.069436 -0.328334 -0.558180 1.063474 -0.519133 -0.496902 1.089589 -1.615801 0.080174 -0.229938 -0.498420 -0.624615 0.059481 -0.093158 -1.784549 -0.503789 -0.140528 0.002653 -0.484930 0.055914 -0.680948 -0.994271 1.277052 0.037651 2.155421 -0.437589 0.696404 0.417752 -0.544785 1.190690 0.978262 0.752102 0.504472 0.139853 -0.505089 -0.264975 -1.603194 0.731847 0.010903 -1.165346 -0.125195 -1.032685 -0.465520 1.514808 0.304762 0.793414 0.314635 -1.638279 0.111737 -0.777037 0.251783 1.126303 -0.808798 0.422064 -0.349264 乙 0 0 -0.356362 -0.089227 0.609373 0.542382 -0.768681 -0.048074 2.015458 -1.552351 0.251552 1.459635 0.949707 0.339465 -0.001372 1.798589 1.559163 0.231783 0.423141 -0.310530 0.353795 2.173336 -0.196247 -0.375636 -0.858221 0.258410 0.656430 0.960819 1.137893 1.553405 0.038981 -0.632038 -0.132009 -1.834997 -0.242576 -0.297879 -0.441559 -0.769691 0.224077 -0.153009 0.519526 -0.680188 0.535851 0.671496 -0.183064 0.301234 1.288256 -2.478240 -0.360403 0.424067 -0.834659 -0.128464 -0.489013 -0.014888 -1.461230 -1.435223 -1.319802 1.083675 0.979140 -0.375291 1.110189 -1.011351 0.587886 -0.822775 -1.183865 1.455173 1.134328 0.239403 -0.837991 -1.130932 0.783168 1.845520 1.437072 -1.198443 1.379098 2.129113 0.260096 -0.011975 0.043302 0.722941 1.028152 -0.235806 1.145245 -1.359598 0.232189 0.503712 -0.614264 -0.530606 -2.435803 -0.255238 -0.064423 0.784643 0.256346 0.128023 1.414103 -1.118659 0.877353 0.500561 0.463651 -2.034512 -0.981683 -0.691944 1 -1.113376 -1.169402 0.680539 -1.534212 1.653817 -1.295181 -0.566826 0.477014 1.413371 0.517105 1.401153 -0.872685 0.830957 0.181507 -0.145616 0.694592 -0.751208 0.324444 0.681973 -0.054972 0.917776 -1.024810 -0.206446 -0.600113 0.852805 1.455109 -0.079769 0.076076 0.207699 -1.850458 -0.124124 -0.610871 -0.883362 0.219049 -0.685094 -0.645330 -0.242805 -0.775602 0.233070 2.422642 -1.423040 -0.582421 0.968304 -0.701025 -0.167850 0.277264 1.301231 0.301205 -3.081249 -0.562868 0.192944 -0.664592 0.565686 0.190913 -0.841858 -1.856545 -1.022777 1.295968 0.451921 0.659955 0.065818 -0.319586 0.253495 -1.144646 -0.483404 0.555902 0.807069 0.714196 0.661196 0.053667 0.346833 -1.288977 -0.386734 -1.262127 0.477495 -0.494034 -0.911414 1.152963 -0.342365 -0.160187 0.470054 -0.853063 -1.387949 -0.257257 -1.030690 -0.110210 0.328911 -0.555923 0.987713 -0.501957 2.069887 -0.067503 0.316029 -1.506232 2.201621 0.492097 -0.085193 -0.977822 1.039147 -0.653932 2 -0.405638 -1.402027 -1.166242 1.306184 0.856283 -1.236170 -0.646721 -1.474064 0.082960 0.090310 -0.169977 0.406345 0.915427 -0.974503 0.271637 1.539184 -0.098866 -0.525149 1.063933 0.085827 -0.129622 0.947959 -0.072496 -0.237592 0.012549 1.065761 0.996596 -0.172481 2.583139 -0.028578 -0.254856 1.328794 -1.592951 2.434350 -0.341500 -0.307719 -1.333273 -1.100845 0.209097 1.734777 0.639632 0.424779 -0.129327 0.905029 -0.482909 1.731628 -2.783425 -0.333677 -0.110895 1.212636 -0.208412 0.427117 1.348563 0.043859 1.772519 -1.416106 0.401155 0.807157 0.303427 -1.246288 0.178774 -0.066126 -1.862288 1.241295 0.377021 -0.822320 -0.749014 1.463652 1.602268 -1.043877 1.185290 -0.565783 -1.076879 1.360241 -0.121991 0.991043 1.007952 0.450185 -0.744376 1.388876 -0.316847 -0.841655 -1.056842 -0.500226 0.096959 1.176896 -2.939652 1.792213 0.316340 0.303218 1.024967 -0.590871 -0.453326 -0.795981 -0.393301 -0.374372 -1.270199 1.618372 1.197727 -0.914863 3 -0.625210 0.288911 0.288374 -1.372667 -0.591395 -0.478942 1.335664 -0.459855 -1.615975 -1.189676 0.374767 -2.488733 0.586656 -1.422008 0.496030 1.911128 -0.560660 -0.499614 -0.372171 -1.833069 0.237124 -0.944446 0.912140 0.359790 -1.359235 0.166966 -0.047107 -0.279789 -0.594454 -0.739013 -1.527645 0.401668 1.791252 -2.774848 0.523873 2.207585 0.488999 -0.339283 0.131711 0.018409 1.186551 -0.424318 1.554994 -0.205917 -0.934975 0.654102 -1.227761 -0.461025 -0.421201 -0.058615 -0.584563 0.336913 -0.477102 -1.381463 0.757745 -0.268968 0.034870 1.231686 0.236600 1.234720 -0.040247 0.029582 1.034905 0.380204 -0.012108 -0.859511 -0.990340 -1.205172 -1.030178 0.426676 0.497796 -0.876808 0.957963 0.173016 0.131612 -1.003556 -1.069908 -1.799207 1.429598 -0.116015 -1.454980 0.261917 0.444412 0.273290 0.844115 0.218745 -1.033350 -1.188295 0.058373 0.800523 -1.627068 0.861651 0.871018 -0.003733 -0.243354 0.947296 0.509406 0.044546 0.266896 1.337165 1 0 0.699142 -1.928033 0.105363 1.042322 0.715206 -0.763783 0.098798 -1.157898 0.134105 0.042041 0.674826 0.165649 -1.622970 -3.131274 0.597649 -1.880331 0.663980 -0.256033 -1.524058 0.492799 0.221163 0.429622 -0.659584 1.264506 -0.032131 -2.114907 -0.264043 0.457835 -0.676837 -0.629003 0.489145 -0.551686 0.942622 -0.512043 -0.455893 0.021244 -0.178035 -2.498073 -0.171292 0.323510 -0.545163 -0.668909 -0.150031 0.521620 -0.428980 0.676463 0.369081 -0.724832 0.793542 1.237422 0.401275 2.141523 0.249012 0.486755 -0.163274 0.592222 -0.292600 -0.547168 0.619104 -0.013605 0.776734 0.131424 1.189480 -0.666317 -0.939036 1.105515 0.621452 1.586605 -0.760970 1.649646 0.283199 1.275812 -0.452012 0.301361 -0.976951 -0.268106 -0.079255 -1.258332 2.216658 -1.175988 -0.863497 -1.653022 -0.561514 0.450753 0.417200 0.094676 -2.231054 1.316862 -0.477441 0.646654 -0.200252 1.074354 -0.058176 0.120990 0.222522 -0.179507 0.421655 -0.914341 -0.234178 0.741524 1 0.932714 1.423761 -1.280835 0.347882 -0.863171 -0.852580 1.044933 2.094536 0.806206 0.416201 -1.109503 0.145302 -0.996871 0.325456 -0.605081 1.175326 1.645054 0.293432 -2.766822 1.032849 0.079115 -1.414132 1.463376 2.335486 0.411951 -0.048543 0.159284 -0.651554 -1.093128 1.568390 -0.077807 -2.390779 -0.842346 -0.229675 -0.999072 -1.367219 -0.792042 -1.878575 1.451452 1.266250 -0.734315 0.266152 0.735523 -0.430860 0.229864 0.850083 -2.241241 1.063850 0.289409 -0.354360 0.113063 -0.173006 1.386998 1.886236 0.587119 -0.961133 0.399295 1.461560 0.310823 0.280220 -0.879103 -1.326348 0.003337 -1.085908 -0.436723 2.111926 0.106068 0.615597 2.152996 -0.196155 0.025747 -0.039061 0.656823 -0.347105 2.513979 1.758070 1.288473 -0.739185 -0.691592 -0.098728 -0.276386 0.489981 0.516278 -0.838258 0.596673 -0.331053 0.521174 -0.145023 0.836693 -1.092166 0.361733 -1.169981 0.046731 0.655377 -0.756852 1.285805 -0.095019 0.360253 1.370621 0.083010 2 0.888893 2.288725 -1.032332 0.212273 -1.091826 1.692498 1.025367 0.550854 0.679430 -1.335712 -0.798341 2.265351 -1.006938 2.059761 0.420266 -1.189657 0.506674 0.260847 -0.533145 0.727267 1.412276 1.482106 -0.996258 0.588641 -0.412642 -0.920733 -0.874691 0.839002 0.501668 -0.342493 -0.533806 -2.146352 -0.597339 0.115726 0.850683 -0.752239 0.377263 -0.561982 0.262783 -0.356676 -0.367462 0.753611 -1.267414 -1.330698 -0.536453 0.840938 -0.763108 -0.268100 -0.677424 1.606831 0.151732 -2.085701 1.219296 0.400863 0.591165 -1.485213 1.501979 1.196569 -0.214154 0.339554 -0.034446 1.176452 0.546340 -1.255630 -1.309210 -0.445437 0.189437 -0.737463 0.843767 -0.605632 -0.060777 0.409310 1.285569 -0.622638 1.018193 0.880680 0.046805 -1.818058 -0.809829 0.875224 0.409569 -0.116621 -1.238919 3.305724 -0.024121 -1.756500 1.328958 0.507593 -0.866554 -2.240848 -0.661376 -0.671824 0.215720 -0.296326 0.481402 0.829645 -0.721025 1.263914 0.549047 -1.234945 3 -1.978838 0.721823 -0.559067 -1.235243 0.420716 -0.598845 0.359576 -0.619366 -1.757772 -1.156251 0.705212 0.875071 -1.020376 0.394760 -0.147970 0.230249 1.355203 1.794488 2.678058 -0.153565 -0.460959 -0.098108 -1.407930 -2.487702 1.823014 0.099873 -0.517603 -0.509311 -1.833175 -0.900906 0.459493 -0.655440 1.466122 -1.531389 -0.422106 0.421422 0.578615 0.259795 0.018941 -0.168726 1.611107 -1.586550 -1.384941 0.858377 1.033242 1.701343 1.748344 -0.371182 -0.843575 2.089641 -0.345430 -1.740556 0.141915 -2.197138 0.689569 -0.150025 0.287456 0.654016 -1.521919 -0.918008 -0.587528 0.230636 0.262637 0.615674 0.600044 -0.494699 -0.743089 0.220026 -0.242207 0.528216 -0.328174 -1.536517 -1.476640 -1.162114 -1.260222 1.106252 -1.467408 -0.349341 -1.841217 0.031296 -0.076475 -0.353383 0.807545 0.779064 -2.398417 -0.267828 1.549734 0.814397 0.284770 -0.659369 0.761040 -0.722067 0.810332 1.501295 1.440865 -1.367459 -0.700301 -1.540662 0.159837 -0.625415 HTML 转义# 假设您必须在 HTML 中显示 HTML，当渲染器无法区分时，这可能会有点痛苦。您可以使用escape格式化选项来处理此问题，甚至可以在包含 HTML 本身的格式化程序中使用它。 [67]: df4 = pd.DataFrame([['<div></div>', '"&other"', '<span></span>']]) df4.style [67]: 0 1 2 0 “＆其他” [68]: df4.style.format(escape="html") [68]: 0 1 2 0 <div></div> “＆其他” <跨度></跨度> [69]: df4.style.format('<a href="https://pandas.pydata.org" target="_blank">{}</a>', escape="html") [69]: 0 1 2 0 <div></div> “＆其他” <跨度></跨度> 导出到 Excel # 某些支持（自版本 0.20.0 起）可用于DataFrames 使用OpenPyXL或XlsxWriter引擎将样式导出到 Excel 工作表。处理的 CSS2.2 属性包括： background-color border-style特性 border-width特性 border-color特性 color font-family font-style font-weight text-align text-decoration vertical-align white-space: nowrap 支持简写和特定边的边框属性（例如border-style和border-left-style）以及border所有边 ( ) 或指定边 ( ) 的简写。使用简写将覆盖之前设置的任何边框属性（有关更多详细信息，请参阅CSS 工作组）border: 1px solid greenborder-left: 1px solid greenborder 目前仅支持CSS2 命名颜色和#rgb或形式的十六进制颜色。#rrggbb 以下伪 CSS 属性也可用于设置 Excel 特定样式属性： number-format border-style（对于 Excel 特定样式：“hair”、“mediumDashDot”、“dashDotDot”、“mediumDashDotDot”、“dashDot”、“slantDashDot”或“mediumDashed”） 表级样式和数据单元格 CSS 类不包含在导出到 Excel 的内容中：各个单元格必须具有通过Styler.apply和/或Styler.map方法映射的属性。 [70]: df2.style.\ map(style_negative, props='color:red;').\ highlight_max(axis=0).\ to_excel('styled.xlsx', engine='openpyxl') 输出的屏幕截图： 导出到 LaTeX # 支持（自版本 1.3.0 起）导出Styler到 LaTeX。.to_latex方法的文档提供了更多详细信息和大量示例。 更多关于 CSS 和 HTML # 层叠样式表 (CSS) 语言旨在影响浏览器呈现 HTML 元素的方式，有其自身的特点。它从不报告错误：它只是默默地忽略它们，并且不会按照您的意图渲染您的对象，因此有时会令人沮丧。这是关于如何Styler创建 HTML 以及与 CSS 交互的非常简短的入门知识，并提供了有关要避免的常见陷阱的建议。 CSS 类和 ID # 附加到每个单元格的CSS 的精确结构class如下。 具有索引和列名称的单元格包括index_name其在多重索引中的level<k>级别k 索引标签单元包括 row_heading level<k>kMultiIndex 中的级别在哪里 row<m>其中m是行的数字位置 列标签单元格包括 col_heading level<k>kMultiIndex 中的级别在哪里 col<n>其中n是列的数字位置 数据单元包括 data row<m>，其中m是单元格的数字位置。 col<n>，其中n是单元格的数字位置。 空白单元格包括blank 修剪后的细胞包括col_trim或row_trim idis T_uuid_level<k>_row<m>_col<n>where的结构level<k>仅用于标题，并且标题将仅具有其中之一row<m>或col<n>所需的任何一个。默认情况下，我们还在每个行/列标识符前面添加了每个 DataFrame 唯一的 UUID，这样一个数据帧的样式就不会与同一笔记本或页面中另一个数据帧的样式发生冲突。您可以在Optimization中阅读有关 UUID 使用的更多信息。 我们可以通过调用.to_html()方法来查看 HTML 示例。 [71]: print(pd.DataFrame([[1,2],[3,4]], index=['i1', 'i2'], columns=['c1', 'c2']).style.to_html()) <style type="text/css"> </style> <table id="T_a1de3"> <thead> <tr> <th class="blank level0" > </th> <th id="T_a1de3_level0_col0" class="col_heading level0 col0" >c1</th> <th id="T_a1de3_level0_col1" class="col_heading level0 col1" >c2</th> </tr> </thead> <tbody> <tr> <th id="T_a1de3_level0_row0" class="row_heading level0 row0" >i1</th> <td id="T_a1de3_row0_col0" class="data row0 col0" >1</td> <td id="T_a1de3_row0_col1" class="data row0 col1" >2</td> </tr> <tr> <th id="T_a1de3_level0_row1" class="row_heading level0 row1" >i2</th> <td id="T_a1de3_row1_col0" class="data row1 col0" >3</td> <td id="T_a1de3_row1_col1" class="data row1 col1" >4</td> </tr> </tbody> </table> CSS 层次结构# 这些示例表明，当 CSS 样式重叠时，HTML 渲染中最后出现的样式优先。因此以下会产生不同的结果： [72]: df4 = pd.DataFrame([['text']]) df4.style.map(lambda x: 'color:green;')\ .map(lambda x: 'color:red;') [72]: 0 0 文本 [73]: df4.style.map(lambda x: 'color:red;')\ .map(lambda x: 'color:green;') [73]: 0 0 文本 这仅适用于层次结构或重要性相同的 CSS 规则。您可以在此处阅读有关 CSS 特异性的更多信息，但出于我们的目的，总结一下要点就足够了： 每个 HTML 元素的 CSS 重要性分数是通过从零开始并添加以下内容得出的： 内联样式属性为 1000 每个ID 100 每个属性、类或伪类 10 个 1 表示每个元素名称或伪元素 我们以此来描述以下配置的作用 [74]: df4.style.set_uuid('a_')\ .set_table_styles([{'selector': 'td', 'props': 'color:red;'}])\ .map(lambda x: 'color:green;') [74]: 0 0 文本 该文本是红色的，因为生成的选择器值 101（ID 加上元素），而仅值 100（ID），因此即使在 HTML 中它位于前一个选择器之后，也被认为是劣等的。#T_a_ td#T_a_row0_col0 [75]: df4.style.set_uuid('b_')\ .set_table_styles([{'selector': 'td', 'props': 'color:red;'}, {'selector': '.cls-1', 'props': 'color:blue;'}])\ .map(lambda x: 'color:green;')\ .set_td_classes(pd.DataFrame([['cls-1']])) [75]: 0 0 文本 在上面的例子中，文本是蓝色的，因为选择器的值为 110（ID 加类），它优先。#T_b_ .cls-1 [76]: df4.style.set_uuid('c_')\ .set_table_styles([{'selector': 'td', 'props': 'color:red;'}, {'selector': '.cls-1', 'props': 'color:blue;'}, {'selector': 'td.data', 'props': 'color:yellow;'}])\ .map(lambda x: 'color:green;')\ .set_td_classes(pd.DataFrame([['cls-1']])) [76]: 0 0 文本 现在我们创建了另一种表格样式，这次选择器（ID 加元素加类）增加到 111。T_c_ td.data 如果你的风格没能被应用，而且真的很令人沮丧，那就试试王牌!important吧。 [77]: df4.style.set_uuid('d_')\ .set_table_styles([{'selector': 'td', 'props': 'color:red;'}, {'selector': '.cls-1', 'props': 'color:blue;'}, {'selector': 'td.data', 'props': 'color:yellow;'}])\ .map(lambda x: 'color:green !important;')\ .set_td_classes(pd.DataFrame([['cls-1']])) [77]: 0 0 文本 终于得到了绿色的文字！ 可扩展性# pandas 的核心仍然是“高性能、易于使用的数据结构”。考虑到这一点，我们希望DataFrame.style实现两个目标 提供一个易于交互使用并且对于许多任务“足够好”的 API 为专用库提供基础 如果您在此基础上构建了一个很棒的库，请告诉我们，我们将链接到它。 子类化# 如果默认模板不太适合您的需求，您可以对 Styler 进行子类化并扩展或覆盖该模板。我们将展示一个扩展默认模板以在每个表之前插入自定义标题的示例。 [78]: from jinja2 import Environment, ChoiceLoader, FileSystemLoader from IPython.display import HTML from pandas.io.formats.style import Styler 我们将使用以下模板： [79]: with open("templates/myhtml.tpl") as f: print(f.read()) {% extends "html_table.tpl" %} {% block table %} <h1>{{ table_title|default("My Table") }}</h1> {{ super() }} {% endblock table %} 现在我们已经创建了一个模板，我们需要设置一个Styler了解它的子类。 [80]: class MyStyler(Styler): env = Environment( loader=ChoiceLoader([ FileSystemLoader("templates"), # contains ours Styler.loader, # the default ]) ) template_html_table = env.get_template("myhtml.tpl") 请注意，我们将原始加载程序包含在环境的加载程序中。那是因为我们扩展了原始模板，所以 Jinja 环境需要能够找到它。 现在我们可以使用该自定义样式器。它__init__需要一个 DataFrame。 [81]: MyStyler(df3) [81]: 我的桌子 c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 我们的自定义模板接受table_title关键字。我们可以在方法中提供值.to_html。 [82]: HTML(MyStyler(df3).to_html(table_title="Extending Example")) [82]: 扩展示例 c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 为了方便起见，我们提供了Styler.from_custom_template与自定义子类相同的方法。 [83]: EasyStyler = Styler.from_custom_template("templates", "myhtml.tpl") HTML(EasyStyler(df3).to_html(table_title="Another Title")) [83]: 另一个标题 c1 c2 c3 c4 A r1 -1.048553 -1.420018 -1.706270 1.950775 r2 -0.509652 -0.438074 -1.252795 0.777490 乙 r1 -1.613898 -0.212740 -0.895467 0.386902 r2 -0.510805 -1.180632 -0.028182 0.428332 模板结构# 以下是样式生成模板和表格生成模板的模板结构： 样式模板： [85]: HTML(style_structure) [85]: 之前的样式 风格 <style type="text/css"> 表格样式 before_cellstyle 细胞风格 </style> 表格模板： [87]: HTML(table_structure) [87]: 之前的表 桌子 <table ...> 标题 头 前头行 head_tr（循环标题） 后头行 身体 之前_行 tr（循环数据行） 行后 </table> 后表 有关更多详细信息，请参阅GitHub 存储库中的模板。