itProger Видеокурсы Python Data Analytics / Аналитика данных (NumPy, Pandas, Matplotlib) #3 – Основы работы с Pandas библиотекой

#3 – Основы работы с Pandas библиотекой

Python

В уроке вы изучите библиотеку Pandas, что служит для обработки и анализа больших объектов с данными. Вы научитесь работать с файлами, изучите процесс анализа объектов, а также разработаете небольшую программу.

Видеоурок

Что такое Pandas?

Библиотека Pandas — одна из самых популярных библиотек в Python для анализа данных. Она делает работу с данными быстрой, легкой и эффективной. Представьте, что у вас есть таблица в базе данных, и вы хотите быстро ее проанализировать, выполнить фильтрацию данных, отсеять ненужное и выполнить другие действия. В таком случае вы можете воспользоваться функциями библиотеки и сделать все это буквально за пару строк кода.

Вы сможете обработать каждый ряд и столбец в таблице и проанализировать любую информацию в них.

А вообще, если вы хотите научиться анализировать данные, строить отчеты или готовить информацию для машинного обучения, Pandas станет вашим незаменимым помощником.

Почему Pandas?

Pandas предоставляет высокоуровневые структуры данных, такие как Series и DataFrame, которые позволяют легко манипулировать данными. С помощью простых и интуитивно понятных методов можно быстро выполнять сложные операции с данными.

Также сама Pandas построена на основе NumPy, что обеспечивает высокую производительность и возможность работы с большими объемами данных.

Библиотека предлагает широкий набор инструментов для загрузки данных, их очистки, анализа и визуализации. Это делает её универсальным инструментом для решения множества задач, связанных с данными.

Возможности Pandas

Pandas поддерживает различные форматы данных, включая CSV, Excel, SQL и многие другие. Это позволяет легко загружать данные из различных источников.

После загрузки данных вы можете их анализировать, применяя различные фильтры и критерии для сортировки.

Хотя Pandas не предназначена для создания сложных визуализаций, она предоставляет базовые инструменты для построения графиков. Для более сложных визуализаций Pandas легко интегрируется с библиотеками Matplotlib и Seaborn.

Исходный код

Основные возможности

import pandas as pd

data = {
    'Name': ['John', 'Anna', 'Peter', 'Alex'],
    'Age': [28, 54, 23, 57],
    'City': ['New York', 'Paris', 'Berlin', 'London']
}

df = pd.DataFrame(data)
# print(df[df['Age'] > 28])

# Первые 5 или последние 5 строк
print(df.head())
print(df.tail())
print(df.describe())
print(df.info())


# ---- CSV Read

df = pd.read_csv('info.csv')

# print(df.head())

filtered_df = df[df['Product'] == 'Product A']
print(filtered_df)

filtered_df.to_csv('new_info.csv', index=False)

# ----

data = {
    'Name': ['John', 'Anna', 'Peter', 'Linda', 'John'],
    'Age': [28, 24, None, 32, 28],
    'City': ['New York', None, 'Berlin', 'London', 'New York']
}

df = pd.DataFrame(data)
df.fillna(0, inplace=True)

df.dropna(inplace=True)

df.drop_duplicates(inplace=True)

df['Age'] = df['Age'].astype(int)

grouped = df.groupby('Age').sum()

print(grouped)

Посмотреть остальной код можно после подписки на проект!

Задание к уроку

Необходимо оформить подписку на проект, чтобы получить доступ ко всем домашним заданиям

Большое задание по курсу

Вам необходимо оформить подписку на сайте, чтобы иметь доступ ко всем большим заданиям. В задание входит методика решения, а также готовый проект с ответом к заданию.
PS: подобные задания доступны при подписке от 1 месяца

Python