Prozkoumej pandas DataFrame

DataFrame z balíčku pandas je jedna z nejdůležitějších (a nejpraktičtějších) datových struktur v Pythonu, zejména v oblasti datové vědy. DataFrame má přehledný tabulkový formát a balíček pandas nabízí několik způsobů, jak ho rychle prozkoumat. V tomto cvičení použiješ malou ukázku dostupných metod a atributů pandas k prozkoumání DataFrame avocados.

Toto cvičení je součástí kurzu

Python pro uživatele MATLABu

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print the first five rows of avocados
print(avocados.____())

Upravit a spustit kód

Toto cvičení je součástí kurzu

Python pro uživatele MATLABu

SkillTag.level.beginnerSkillTag.label

4.8+

Začněte kurz zdarma

V této kapitole se rozběhneš na cestě z MATLABu do Pythonu. Dozvíš se, v čem se MATLAB a Python podobají a v čem se liší, jak používat metody a balíčky a seznámíš se s populárním balíčkem NumPy.

Exercise 1: Vítej v Pythonu!Exercise 2: Základní výpočty Exercise 3: Prognóza investice Exercise 4: Typy proměnných Exercise 5: Metody a balíčky Exercise 6: Manipulace s řetězci pomocí metod Exercise 7: Používání balíčků v Pythonu Exercise 8: Pole a vizualizace dat Exercise 9: Začínáme s poli NumPy Exercise 10: Vizualizace cyklistického provozu Exercise 11: Co předpovídá délku života zvířat?

V této kapitole navážeš na své nové znalosti NumPy. Ponoříš se do NumPy polí – pythonského ekvivalentu matic – a budeš provádět matematické operace a indexování. Prozkoumáš také další důležitou datovou strukturu Pythonu, seznam, a kapitolu zakončíš tvorbou vlastních grafů svých polí pomocí Matplotlib.

Exercise 1: Ponoř se do NumPy polí Exercise 2: Předpověď vývoje v čase Exercise 3: O kolik více stojí bio avokádo?Exercise 4: Indexování polí NumPy Exercise 5: Výběr sloupců z NumPy polí Exercise 6: Cyklistický provoz v průběhu týdne Exercise 7: Filtrování polí pomocí booleovského indexování Exercise 8: Seznamy Exercise 9: Průzkum seznamů Exercise 10: Vytváření NumPy polí ze seznamů Exercise 11: Operace se seznamy a poli Exercise 12: Přizpůsobení grafů Exercise 13: Barvy, styly čar a legendy Exercise 14: Kódování dat pomocí barvy a velikosti Exercise 15: Určení typů motorů při střetech se zvířaty

Tato kapitola představuje výkonné datové struktury Pythonu: slovník a pandas DataFrame. Naučíš se vytvářet slovníky pomocí párů klíč–hodnota, zobrazovat je a upravovat. Poté se seznámíš s jedním z nejdůležitějších balíčků v arzenálu každého pythonisty – pandas. Zaměříš se především na datovou strukturu DataFrame, která organizuje tabulková data přehledným a snadno dostupným způsobem. Na závěr zjistíš, jak převádět různé datové typy do DataFramů, aby se ti s daty pracovalo pohodlněji.

Exercise 1: Slovníky Exercise 2: Které klíče?Exercise 3: Získej data Exercise 4: Úpravy slovníků Exercise 5: Úvod do DataFrames Exercise 6: Prozkoumej pandas DataFrame

Aktuální cvičení

Exercise 7: Vizualizace dat z DataFrame Exercise 8: Přístup k pandas DataFrames Exercise 9: Přístup k řádkům a sloupcům Exercise 10: Různé způsoby použití .iloc Exercise 11: Vytváření pandas DataFrames Exercise 12: Z CSV souboru Exercise 13: Ze slovníku seznamů Exercise 14: Ze seznamu slovníků

Kurz zakončíš ovládnutím toku programu v Pythonu. Naučíš se procházet různé datové struktury Pythonu pomocí cyklů for. Dozvíš se také, jak fungují podmínky if, else a elif, a seznámíš se s porovnávacími operátory Pythonu (větší než, menší než a dalšími), které rozhodují o tom, které řádky kódu se spustí. Na závěr se vrátíš k NumPy polím a použiješ porovnávací operátory k jejich filtrování.

Exercise 1: Procházení dat pomocí smyčky Exercise 2: Iterace přes seznam Exercise 3: Překrývání více grafů v jednom obrázku Exercise 4: Porovnávání a řízení toku programu Exercise 5: Počítání různých typů letadel Exercise 6: Hledání konkrétních řádků v DataFrame Exercise 7: Filtrování dat Exercise 8: Booleovské indexování pro rychlé statistiky Exercise 9: Logické indexování vyhrává!Exercise 10: Booleovské indexování a vizualizace v Matplotlib Exercise 11: Skvělá práce!