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.

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

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. 

Data transformation using .groupby().transform

The min-max normalization using .transform()

Transforming values to probabilities

Validation of normalization

When to use transform()?

Missing value imputation using transform()

Identifying missing values

Missing value imputation

Data filtration using the filter() function

When to use filtration?

Data filtration

Congratulations!

Data manipulation using .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.

Métodos de vectorización para iterar un DataFrame

Escribir código eficiente con pandas

ejercicio interactivo práctico