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

Pandas: Агрегация и группировка данных

Группировка позволяет объединить строки по значениям в одном или нескольких столбцах и применить к ним агрегатные функции. Метод groupby создает группы по значению столбца Age и применяет функцию mean() для вычисления средней зарплаты в каждой группе.

#практика #pandas

Pandas: Работы с пропущенными значениями

Пропущенные значения могут сильно влиять на анализ данных, поэтому важно уметь их обрабатывать. Метод fillna() заменяет пропущенные значения, а dropna() удаляет строки с пропущенными значениями.

#практика #pandas

Pandas: Слияние и объединение данных

Pandas предоставляет функции для слияния данных из разных таблиц. Метод merge() объединяет DataFrame, как SQL-запрос INNER JOIN, оставляя только совпадающие строки по указанному столбцу ID.

#практика #pandas

Pandas: Удаление дубликатов

pandas.dropduplicates() — метод в библиотеке pandas, который используется для удаления дубликатов строк из DataFrame. С помощью duplicated ты можешь проверить, имеются ли дубликаты.

#практика #pandas

Способы ускорения Pandas: Правда или миф?

В данной статье автор проверяет, действительно ли лайфхаки по ускорению Pandas работают. В результате ты увидишь, что некоторые практики могут оказаться вредными.

👉Читать статью

#статьи #pandas

Pandas: Основы работы с Series

В данном видео автор рассматривает основы работы с объектами Series. Ты узнаешь, что это такое и как их создавать, как индексировать элементы, как выполнять операции с ними и многое другое.

👀Смотреть видео

#видео #pandas

Pandas: Практические задачи на объекты Series

Продолжаем делиться циклом видео, где автор рассказывает про работу с Pandas. В этот раз рассматриваются основные методы Series: cортировка, фильтрация и группировка.

👀Смотреть видео

#видео #pandas

Pandas: Генерация и использование тестовых данных

Продолжаем делиться циклом видео, где автор рассказывает про работу с Pandas. В этот раз рассматривается сервис Mockaroo. Он позволяет генерировать тестовые данные, а формат CSV – использовать их.

👀Смотреть видео

#видео #pandas

Pandas: Мощные инструменты индексации

Продолжаем делиться циклом видео, где автор рассказывает про работу с Pandas. В этот раз рассматриваются два мощных инструмента индексации – loc и iloc.

👀Смотреть видео

#видео #pandas

Pandas: Как использовать инструменты индексации?

Продолжаем делиться циклом видео, где автор рассказывает про работу с Pandas. В этот раз ты узнаешь, как пользоваться loc и iloc. О них речь была в прошлом видео.

👀Смотреть видео

#видео #pandas

Нюансы работы с merge

В pandas метод merge() используется для объединения двух датафреймов по одному или нескольким ключевым столбцам, аналогично SQL-операции JOIN. В данной статье автор рассказывает, с какими нюансами ты можешь столкнуться при использовании merge.

👉Читать статью

#статьи #pandas

Чем опасен DataFrame.apply?

Метод DataFrame.apply() в Pandas используется для применения функции к строкам или столбцам датафрейма. В данной статье автор рассказывает, почему метод устарел, чем его можно заменить.

👉Читать статью

#статьи #pandas