Este capítulo te dará una visión general de por qué importa escribir código eficiente y de cómo seleccionar filas y columnas específicas y aleatorias de forma eficiente.

La necesidad de programar con eficiencia I

¿Qué mide time.time()?

Medir el tiempo I

Medición de tiempo II

Localiza filas: .iloc[] y .loc[]

Selección de filas: loc[] vs iloc[]

Selección de columnas: .iloc[] vs por nombre

Selecciona filas aleatorias

Selección aleatoria de filas

Selección aleatoria de columnas

Selección eficiente de columnas y filas

Este capítulo muestra el uso de la función replace() para reemplazar uno o varios valores usando listas y diccionarios.

Sustituir valores escalares con .replace()

Sustitución de valores escalares I

Sustituir valores escalares II

Reemplazar valores usando listas

Reemplazar múltiples valores I

Sustituir varios valores II

Sustituye valores usando diccionarios

Reemplazar valores individuales I

Reemplazar valores individuales II

Reemplazar múltiples valores III

Método más eficiente para reemplazo escalar

Reemplazar valores en un DataFrame

Este capítulo presenta distintas formas de iterar por un DataFrame de pandas y por qué la vectorización es la forma más eficiente de hacerlo.

Bucle usando la función .iterrows()

Crea un generador para un DataFrame de pandas

La función iterrows() para iterar

Iterar usando la función .apply()

Función .apply() en cada celda

.apply() para iterar por filas

Vectorización sobre series de pandas

¿Por qué la vectorización en pandas es tan rápida?

La vectorización de pandas en acción

Vectorización con arrays de NumPy usando .values()

Mejor método de vectorización

Métodos de vectorización para iterar un DataFrame

Iteración eficiente

Este capítulo describe la función groupby() y cómo podemos usarla para transformar valores in situ, reemplazar valores ausentes y aplicar funciones complejas por grupo.

Transformación de datos con .groupby().transform

Normalización min-max usando .transform()

Transformar valores a probabilidades

Validación de la normalización

¿Cuándo usar transform()?

Imputación de valores faltantes con transform()

Identificar valores faltantes

Imputación de valores faltantes

Filtrado de datos con la función filter()

¿Cuándo usar la filtración?

Filtrado de datos

¡Enhorabuena!

Manipulación de datos con .groupby()

Poker

Popular Baby Names

Restaurant

La capacidad de trabajar de forma eficiente con grandes conjuntos de datos y extraer información valiosa es una herramienta indispensable para cualquier futuro científico de datos. Cuando trabajamos con poca cantidad de datos, a menudo no nos damos cuenta de lo lenta que puede ser la ejecución del código. Este curso ampliará tus conocimientos de Python y de la biblioteca pandas y te presentará funciones integradas de pandas para realizar tareas más rápido. Las funciones integradas de pandas te permiten abordar desde las tareas más simples, como seleccionar entradas y características específicas de los datos, hasta las más complejas, como aplicar funciones a grupos de registros, mucho más rápido que con los métodos habituales de Python. Al final del curso, serás capaz de aplicar una función a datos según el valor de una característica, iterar rápidamente por grandes conjuntos de datos y manipular eficientemente datos pertenecientes a distintos grupos. Pondrás en práctica estos métodos en diversos conjuntos de datos reales, como manos de póker o propinas en restaurantes.

Data Manipulation with pandas

Aprende técnicas eficientes en pandas para optimizar tu código en Python.

Escribir código eficiente con pandas

Aprende técnicas eficientes en pandas para optimizar tu código Python.

PhD Candidate

Data transformation using .groupby().transform

The restaurant dataset

Data transformation

Comparison with native methods

Let's practice!

Manipulación de datos con .groupby() - Transformación de datos con .groupby().transform

Transformación de datos con .groupby().transform

Create Your Free Account