Pandas: Полезные методы

Продолжаем делиться циклом статей, где автор рассказывает про полезные методы работы с данными в Pandas. В этот раз ты узнаешь про применение скользящих окон для вычислений и смещение данных для анализа временных рядов.

👉Читать статью

#статьи #pandas

Pandas: Полезные методы

Продолжаем делиться циклом статей, где автор рассказывает про полезные методы работы с данными в Pandas. В этот раз рассмотрены различные подходы к работе со вложенными структурами данных в Pandas, а также процесс нормализации JSON- структур.

👉Читать статью

#статьи #pandas

Pandas: Атрибуты класса Series

Делимся циклом видео, благодаря которому ты научишься пользоваться Pandas. В этот раз автор демонстрирует атрибуты класса Series.

👀Смотреть видео

#видео #pandas

Pandas: Срез объекта Series

Делимся циклом видео, благодаря которому ты научишься пользоваться Pandas. В этот раз автор демонстрирует срез объекта Series.

👀Смотреть видео

#видео #pandas

Pandas: Метод sort values

Делимся циклом видео, благодаря которому ты научишься пользоваться Pandas. В этот раз автор демонстрирует метод sort values объекта Series.

👀Смотреть видео

#видео #pandas

Pandas: Метод sort index

Делимся циклом видео, благодаря которому ты научишься пользоваться Pandas. В этот раз автор демонстрирует метод sort index объекта Series.

👀Смотреть видео

#видео #pandas

Pandas: Методы очистки данных

Наши данные часто поступают из нескольких ресурсов и не являются чистыми. Они могут содержать пропущенные значения, дубликаты, неправильные или нежелательные форматы и т. д. Благодаря данной статье ты познакомишься с основными методами очистки данных в Pandas.

👉Читать статью

#статьи #pandas

Pandas: Метод apply

Делимся циклом видео, благодаря которому ты научишься пользоваться Pandas. В этот раз автор демонстрирует метод apply объекта Series.

👀Смотреть видео

#видео #pandas

Pandas: dropna

Метод dropna() используется в pandas для удаления строк или столбцов, содержащих пропущенные значения (NaN). По умолчанию метод dropna() возвращает новый DataFrame и не меняет исходный. Если ты хочешь изменить исходный DataFrame, используй аргумент inplace = True.

#практика #pandas

Pandas: Введение

pandas — это библиотека для обработки и анализа данных в Python. Она часто используется для работы с табличными данными, такими как таблицы в электронных таблицах или базы данных. Основные структуры данных в pandas — это Series и DataFrame.

Series — это одномерный массив данных, похожий на список, но с возможностью индексирования, что делает его более гибким. Series можно создать из списка, словаря или массива. Индексы могут быть заданы вручную или автоматически созданы. Здесь мы создали Series с данными [10, 20, 30, 40] и индексами ['a', 'b', 'c', 'd']. Индексы позволяют легко обращаться к элементам по меткам.

DataFrame — это двумерная структура, представляющая собой таблицу, где строки и столбцы имеют метки (индексы). DataFrame можно создать из словаря списков или массивов, а также из другой структуры данных. В данном примере мы создали DataFrame с тремя столбцами: Name, Age и Salary. pandas автоматически добавил индекс для строк.

#практика #pandas

Pandas: Основные операции с DataFrame

Фильтрация позволяет выбрать строки, которые соответствуют определенным условиям. В этом примере мы создали новый DataFrame, содержащий только те строки, в которых значение столбца Age больше 30.

Ты можешь легко добавлять новые столбцы и удалять ненужные. axis=1 указывает, что мы работаем со столбцами. Параметр inplace=True позволяет сразу сохранить изменения в DataFrame.

#практика #pandas