Ce chapitre explique pourquoi l'efficacité du code est importante et comment sélectionner efficacement des lignes et des colonnes précises ou aléatoires.

Le besoin d'un code efficace I

Que mesure time.time() ?

Mesurer le temps I

Mesurer le temps II

Repérer des lignes : .iloc[] et .loc[]

Sélection de lignes : loc[] vs iloc[]

Sélection de colonnes : .iloc[] vs par nom

Sélectionner des lignes aléatoires

Sélection aléatoire de lignes

Sélection aléatoire de colonnes

Sélectionner efficacement des colonnes et des lignes

Ce chapitre montre comment utiliser la fonction replace() pour remplacer une ou plusieurs valeurs à l'aide de listes et de dictionnaires.

Remplacer des valeurs scalaires avec .replace()

Remplacer des valeurs scalaires I

Remplacer des valeurs scalaires II

Remplacer des valeurs à l'aide de listes

Remplacer plusieurs valeurs I

Remplacer plusieurs valeurs II

Remplacer des valeurs au moyen de dictionnaires

Remplacer des valeurs uniques I

Remplacer des valeurs uniques II

Remplacer plusieurs valeurs III

Méthode la plus efficace pour remplacer un scalaire

Remplacer des valeurs dans un DataFrame

Ce chapitre présente différentes façons d'itérer dans un DataFrame pandas et pourquoi la vectorisation est la méthode la plus efficace pour y parvenir.

Boucler avec la fonction .iterrows()

Créer un générateur pour un DataFrame pandas

La fonction iterrows() pour boucler

Boucler avec la fonction .apply()

La fonction .apply() sur chaque cellule

.apply() pour itérer sur les rangées

Vectorisation sur des séries pandas

Pourquoi la vectorisation dans pandas est-elle si rapide ?

La vectorisation avec pandas en action

Vectorisation avec des tableaux NumPy à l'aide de .values()

Meilleure méthode de vectorisation

Méthodes de vectorisation pour boucler sur un DataFrame

Itérations efficaces

Ce chapitre décrit la fonction groupby() et la façon de l'utiliser pour transformer des valeurs sur place, remplacer des valeurs manquantes et appliquer des fonctions complexes par groupe.

Transformation des données avec .groupby().transform

La normalisation min-max avec .transform()

Transformer des valeurs en probabilités

Validation de la normalisation

Quand utiliser transform() ?

Imputation des valeurs manquantes avec transform()

Repérer les valeurs manquantes

Imputation des valeurs manquantes

Filtrer des données avec la fonction filter()

Quand utiliser la filtration?

Filtration des données

Félicitations !

Manipulation de données avec .groupby()

Poker

Popular Baby Names

Restaurant

La capacité de travailler efficacement avec de gros jeux de données et d'en extraire des informations utiles est un atout indispensable pour toute personne aspirant à devenir data scientist. Avec peu de données, on ne réalise pas toujours à quel point l'exécution peut être lente. Ce cours s'appuie sur vos connaissances de Python et de la bibliothèque pandas, et vous présente des fonctions intégrées performantes permettant d'exécuter les tâches plus rapidement. Les fonctions intégrées de pandas vous aident à accomplir bien plus vite les tâches les plus simples, comme cibler des enregistrements et des variables précises, jusqu'aux plus complexes, comme appliquer des fonctions à des groupes d'enregistrements, comparativement aux méthodes Python habituelles. À la fin du cours, vous saurez appliquer une fonction à des données selon la valeur d'une variable, parcourir rapidement de grands jeux de données et manipuler efficacement des données appartenant à différents groupes. Vous mettrez ces méthodes en pratique sur divers jeux de données réels, comme des mains de poker ou les pourboires au restaurant.

Data Manipulation with pandas

Apprenez des techniques efficaces avec pandas pour optimiser votre code Python.

Rédiger du code efficace avec pandas

Apprenez des techniques efficaces dans pandas pour optimiser votre code Python.

Quand utiliser la filtration?

Rédiger du code efficace avec pandas

Exercice interactif pratique