Tato kapitola ti přiblíží, proč záleží na efektivním kódu, a ukáže ti, jak efektivně vybírat konkrétní i náhodné řádky a sloupce.

Proč záleží na efektivním kódu I

Co měří funkce time.time()?

Měření času I

Měření času II

Vyhledávání řádků: .iloc[] a .loc[]

Výběr řádků: loc[] vs iloc[]

Výběr sloupců: .iloc[] vs. název sloupce

Výběr náhodných řádků

Náhodný výběr řádků

Náhodný výběr sloupců

Efektivní výběr sloupců a řádků

Tato kapitola ukazuje, jak používat funkci replace() k nahrazení jedné nebo více hodnot pomocí seznamů a slovníků.

Nahrazování skalárních hodnot pomocí .replace()

Nahrazování skalárních hodnot I

Nahrazování skalárních hodnot II

Nahrazování hodnot pomocí seznamů

Nahrazení více hodnot I

Nahrazení více hodnot II

Nahrazování hodnot pomocí slovníků

Nahrazení jednotlivých hodnot I

Nahrazení jednotlivých hodnot II

Nahrazení více hodnot III

Nejefektivnější metoda pro nahrazení skalární hodnoty

Nahrazování hodnot v DataFrame

Tato kapitola představuje různé způsoby procházení DataFrame v pandas a vysvětluje, proč je vektorizace tím nejefektivnějším přístupem.

Procházení smyčkou pomocí funkce .iterrows()

Vytvoření generátoru pro pandas DataFrame

Funkce iterrows() pro procházení dat

Procházení pomocí funkce .apply()

Funkce .apply() na každou buňku

.apply() pro iteraci přes řádky

Vektorizace nad pandas series

Proč je vektorizace v pandas tak rychlá?

Vektorizace v pandas v praxi

Vektorizace s NumPy poli pomocí .values()

Nejlepší metoda vektorizace

Metody vektorizace pro procházení DataFrame

Efektivní iterace

Tato kapitola popisuje funkci groupby() a ukazuje, jak ji využít k transformaci hodnot na místě, doplnění chybějících hodnot a aplikování složitějších funkcí na jednotlivé skupiny.

Transformace dat pomocí .groupby().transform

Min-max normalizace pomocí .transform()

Transformace hodnot na pravděpodobnosti

Ověření normalizace

Kdy použít transform()?

Imputace chybějících hodnot pomocí transform()

Identifikace chybějících hodnot

Doplňování chybějících hodnot

Filtrace dat pomocí funkce filter()

Kdy použít filtraci?

Filtrování dat

Gratulujeme!

Manipulace s daty pomocí .groupby()

Poker

Popular Baby Names

Restaurant

Schopnost efektivně pracovat s velkými datovými sadami a získávat z nich cenné informace je nepostradatelnou dovedností každého datového vědce. Při práci s malým množstvím dat si často ani nevšimneme, jak pomalé naše skripty jsou. Tento kurz navazuje na tvoje znalosti Pythonu a knihovny pandas a představí ti efektivní vestavěné funkce pandas, které ti pomůžou plnit úlohy rychleji. Vestavěné funkce pandas ti umožní zvládnout jak jednoduché úkoly – například vybrat konkrétní záznamy nebo příznaky z dat – tak složitější operace, jako je aplikování funkcí na skupiny záznamů, a to výrazně rychleji než běžnými metodami Pythonu. Po absolvování tohoto kurzu budeš umět aplikovat funkci na data podle hodnoty příznaku, rychle procházet velké datové sady a efektivně pracovat s daty napříč různými skupinami. Všechny tyto metody si vyzkoušíš na reálných datových sadách, jako jsou pokerové kombinace nebo spropitné v restauracích.

Data Manipulation with pandas

Naučte se efektivní techniky v pandas pro optimalizaci Python kódu.

Psaní efektivního kódu s pandas

Naučte se efektivní techniky v pandas pro optimalizaci kódu v Pythonu.

Co měří funkce time.time()?

Psaní efektivního kódu s pandas

Interaktivní praktické cvičení