This chapter will give you an overview of why efficient code matters and selecting specific and random rows and columns efficiently.

The need for efficient coding I

What does time.time() measure?

Measuring time I

Measuring time II

Locate rows: .iloc[] and .loc[]

Row selection: loc[] vs iloc[]

Column selection: .iloc[] vs by name

Select random rows

Random row selection

Random column selection

Selecting columns and rows efficiently

This chapter shows the usage of the replace() function for replacing one or multiple values using lists and dictionaries. 

Replace scalar values using .replace()

Replacing scalar values I

Replace scalar values II

Replace values using lists

Replace multiple values I

Replace multiple values II

Replace values using dictionaries

Replace single values I

Replace single values II

Replace multiple values III

Most efficient method for scalar replacement

Replacing values in a DataFrame

This chapter presents different ways of iterating through a Pandas DataFrame and why vectorization is the most efficient way to achieve it.

Looping using the .iterrows() function

Create a generator for a pandas DataFrame

The iterrows() function for looping

Looping using the .apply() function

.apply() function in every cell

.apply() for rows iteration

Vectorization over pandas series

Why vectorization in pandas is so fast?

pandas vectorization in action

Vectorization with NumPy arrays using .values()

Best method of vectorization

Vectorization methods for looping a DataFrame

Efficient iterating

This chapter describes the groupby() function and how we can use it to transform values in place, replace missing values and apply complex functions group-wise. 

Daten transformieren mit .groupby().transform

Min-Max-Normalisierung mit .transform()

Werte in Wahrscheinlichkeiten umwandeln

Validierung der Normalisierung

Wann verwendet man transform()?

Fehlende Werte mit transform() auffüllen

Fehlende Werte erkennen

Imputation fehlender Werte

Daten filtern mit der Funktion filter()

Wann sollte man filtern?

Daten filtern

Glückwunsch!

Data manipulation using .groupby()

Poker

Popular Baby Names

Restaurant

Große Datensätze effizient zu bearbeiten und wertvolle Informationen herauszuziehen, ist ein unverzichtbares Werkzeug für alle angehenden Data Scientists. Bei kleinen Datenmengen merken wir oft gar nicht, wie langsam Codeausführung sein kann. Dieser Kurs baut auf deinem Wissen zu Python und der pandas-Bibliothek auf und stellt dir effiziente, eingebaute pandas-Funktionen vor, mit denen du Aufgaben schneller erledigst. Die integrierten Funktionen von pandas ermöglichen es dir, von den einfachsten Aufgaben – etwa gezielt bestimmte Einträge und Merkmale aus den Daten zu holen – bis hin zu komplexen Aufgaben – wie dem Anwenden von Funktionen auf Gruppen von Einträgen – deutlich schneller zu arbeiten als mit üblichen Python-Methoden. Am Ende dieses Kurses kannst du Funktionen basierend auf Merkmalswerten auf Daten anwenden, große Datensätze zügig durchlaufen und Daten aus verschiedenen Gruppen effizient bearbeiten. Du setzt diese Methoden auf eine Reihe praxisnaher Datensätze ein, zum Beispiel Pokerhände oder Restaurant-Trinkgelder.

Data Manipulation with pandas

Lerne effiziente Pandas-Techniken zur Optimierung deines Python-Codes.

Effizient mit pandas programmieren

Dieser Kurs vermittelt effiziente Techniken in pandas, mit denen du deinen Python-Code optimieren kannst.

Wann sollte man filtern?

Interaktive praktische Übung