In diesem Kapitel erfährst du, warum effizienter Code wichtig ist, und wie du gezielt und zufällig Zeilen und Spalten effizient auswählst.

Warum effizientes Programmieren nötig ist I

Was misst time.time()?

Zeit messen I

Zeit messen II

Zeilen finden: .iloc[] und .loc[]

Zeilenauswahl: loc[] vs iloc[]

Spaltenauswahl: .iloc[] vs. nach Namen

Zufällige Zeilen auswählen

Zufällige Zeilenauswahl

Zufällige Spaltenauswahl

Spalten und Zeilen effizient auswählen

Dieses Kapitel zeigt die Verwendung der Funktion replace(), um einzelne oder mehrere Werte mithilfe von Listen und Dictionaries zu ersetzen.

Skalarwerte mit .replace() ersetzen

Skalarwerte ersetzen I

Skalarwerte ersetzen II

Werte mithilfe von Listen ersetzen

Mehrere Werte ersetzen I

Mehrere Werte ersetzen II

Werte mithilfe von Dictionaries ersetzen

Einzelne Werte ersetzen I

Einzelne Werte ersetzen II

Mehrere Werte ersetzen III

Effizienteste Methode für skalaren Ersatz

Werte in einem DataFrame ersetzen

Dieses Kapitel stellt verschiedene Möglichkeiten vor, durch ein pandas-DataFrame zu iterieren, und warum Vektorisierung dabei am effizientesten ist.

Schleifen mit der Funktion .iterrows()

Einen Generator für ein pandas DataFrame erstellen

Die Funktion iterrows() zum Looping

Schleifen mit der Funktion .apply()

.apply()-Funktion in jeder Zelle

.apply() zum Iterieren über Zeilen

Vektorisierung über pandas-Serien

Warum ist Vektorisierung in pandas so schnell?

pandas-Vektorisierung in Aktion

Vektorisierung mit NumPy-Arrays mittels .values()

Beste Methode der Vektorisierung

Vektorisierungsmethoden zum Iterieren über ein DataFrame

Effizientes Iterieren

Dieses Kapitel beschreibt die Funktion groupby() und wie wir sie nutzen können, um Werte direkt zu transformieren, fehlende Werte zu ersetzen und komplexe Funktionen gruppenweise anzuwenden.

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!

Datenmanipulation mit .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?

Effizient mit pandas programmieren

Interaktive Übung