Dans ce chapitre, vous apprendrez à créer un DataFrame à partir d'un fichier CSV, à inspecter un DataFrame, à sélectionner des sous-ensembles de lignes et de colonnes, puis à trier et à résumer un DataFrame.

Introduction au DataFrame de Polars

Charger un CSV dans un DataFrame

Inspecter un DataFrame

Extraire un sous-ensemble d'un DataFrame

Créer une Series à partir d'un DataFrame

Créer un sous-ensemble d'un DataFrame avec la notation par crochets

Sélectionner un sous-ensemble de colonnes avec .select()

Trier et résumer un DataFrame

Trier les données des VE

Résumer un DataFrame

Valeurs extrêmes dans un DataFrame

Créer des DataFrames et sélectionner des données

Ensuite, vous verrez comment transformer des données avec des expressions, comment ajouter ou mettre à jour des colonnes dans un DataFrame, comment travailler avec plusieurs colonnes et vous aurez une introduction au mode paresseux et à l'optimisation des requêtes.

Transformer des colonnes

Transformer des données avec une expression

Agréger une colonne

Transformer des données

Ajouter des colonnes

Ajouter une nouvelle colonne

Utiliser une expression propre à un Dtype

Renommer et supprimer des colonnes

Travailler avec plusieurs colonnes

Transformer plusieurs colonnes

Créer de nouvelles colonnes avec un suffixe

Combiner des sélecteurs

Introduction au mode paresseux

Créer une requête en mode paresseux

Qu'est-ce qui influence le prix des véhicules électriques?

Transformer des données avec des expressions

Dans le dernier chapitre, vous apprendrez à filtrer un DataFrame pour obtenir un sous-ensemble de lignes, à gérer les valeurs manquantes ou en double, à regrouper selon une ou plusieurs colonnes et à convertir un DataFrame entre les formats long et large.

Filtrer des lignes

Filtrer avec une seule condition

Combiner plusieurs conditions de filtrage

Nier un prédicat

Gérer les valeurs manquantes et en double

Repérer et supprimer les valeurs manquantes

Remplacer les valeurs manquantes

Suppression des doublons

Agrégations groupées

Compter les valeurs

Agrégation avec group_by

Agrégations multiples sur une colonne

Tableaux croisés et mise à plat

Créer un tableau croisé à partir d'un DataFrame

Dé-pivotage des données du format large au format long

En résumé

Analyser des données

Music Streams

Electric Vehicles

Découvrez comment manipuler des données et en tirer des insights avec Polars, un module polyvalent et performant pour travailler avec des données tabulaires en Python. Conçu pour la vitesse et l'efficacité, Polars est un excellent choix autant pour une exploration rapide des données que pour des analyses approfondies. Dans ce cours, vous apprendrez les techniques clés pour transformer, nettoyer, analyser et visualiser des données tabulaires.

<h2>Découvrez la manipulation efficace des données avec Polars</h2>Polars est un puissant paquet polyvalent pour travailler avec des données tabulaires en Python. Conçu pour la rapidité et l’efficacité, Polars est un excellent choix pour tout, de l’exploration rapide des données à l’analyse détaillée. Dans ce cours, vous apprendrez les bases de l’utilisation de Polars pour travailler avec vos données.<br><br><h2>Charger, explorer et nettoyer vos données</h2>Vous commencerez par apprendre à importer des fichiers CSV dans des DataFrames Polars, à résumer leur contenu et à sélectionner les données les plus importantes. Ensuite, vous découvrirez comment nettoyer votre jeu de données en repérant et en supprimant les données manquantes ou dupliquées.<br><br><h2>Analysez et visualisez vos données efficacement</h2>Ensuite, vous aborderez une analyse de données plus approfondie en divisant vos données en groupes et en calculant des statistiques pour chaque groupe. Vous pratiquerez aussi la transformation de colonnes avec des expressions Polars, et vous verrez comment Polars facilite la transformation de plusieurs colonnes à la fois. La visualisation est essentielle pour tirer des insights de vos données et communiquer ces insights aux autres. À la fin du cours, vous serez en mesure de créer des visualisations claires pour présenter des insights.<br><br><h2>Optimisez avec l’exécution paresseuse de Polars</h2>L’un des atouts majeurs de Polars est sa capacité à optimiser votre code pour améliorer les performances. Vous apprendrez à activer l’optimisation et à comprendre comment ces optimisations fonctionnent. Grâce à l’expérience acquise dans ce cours, vous serez prêt à utiliser Polars pour une vaste gamme de tâches de données concrètes et à en tirer des insights précieux.

Intermediate Python

Apprenez à transformer, nettoyer et analyser des données efficacement avec Polars, une librairie Python rapide.

Introduction à Polars

Apprenez à transformer, nettoyer et analyser efficacement des données avec Polars, une bibliothèque Python pour la manipulation rapide des données.

Data Processing and Pipeline Optimization with Polars

Utiliser une expression propre à un Dtype

Introduction à Polars

Instructions de l’exercice

Exercice interactif pratique