Let’s master the pandas basics. Learn how to inspect DataFrames and perform fundamental manipulations, including sorting rows, subsetting, and adding new columns.

Présentation des DataFrames

Inspection d'un DataFrame

Parties d'un DataFrame

Tri et sous-ensemble

Tri des lignes

Création de sous-ensemble de colonnes

Création de sous-ensemble de lignes

Création de sous-ensemble de lignes par variables catégorielles

Nouvelles colonnes

Ajout de nouvelles colonnes

Attaque combinée !

Transforming DataFrames

In this chapter, you’ll calculate summary statistics on DataFrame columns, and master grouped summary statistics and pivot tables.

Summary statistics

Mean and median

Summarizing dates

Efficient summaries

Cumulative statistics

Counting

Dropping duplicates

Counting categorical variables

Grouped summary statistics

What percent of sales occurred at each store type?

Calculations with .groupby()

Multiple grouped summaries

Pivot tables

Pivoting on one variable

Fill in missing values and sum values with pivot tables

Aggregating DataFrames

Indexes are supercharged row and column names. Learn how they can be combined with slicing for powerful DataFrame subsetting.

Explicit indexes

Setting and removing indexes

Subsetting with .loc[]

Setting multi-level indexes

Sorting by index values

Slicing and subsetting with .loc and .iloc

Slicing index values

Slicing in both directions

Slicing time series

Subsetting by row/column number

Working with pivot tables

Pivot temperature by city and year

Subsetting pivot tables

Calculating on a pivot table

Slicing and Indexing DataFrames

Learn to visualize the contents of your DataFrames, handle missing data values, and import data from and export data to CSV files.

Visualizing your data

Which avocado size is most popular?

Changes in sales over time

Avocado supply and demand

Price of conventional vs. organic avocados

Missing values

Finding missing values

Removing missing values

Replacing missing values

Creating DataFrames

List of dictionaries

Dictionary of lists

Reading and writing CSVs

CSV to DataFrame

DataFrame to CSV

Wrap-up

Creating and Visualizing DataFrames

Vous apprendrez à analyser des données selon plusieurs dimensions à la fois, ce qui vous permettra de découvrir des tendances subtiles en décomposant vos synthèses selon plusieurs catégories simultanément.

Plusieurs colonnes de regroupement

Vous apprendrez à ventiler les statistiques descriptives par catégories, ce qui vous permettra de comparer des métriques entre différents groupes et de découvrir des schémas dans vos données.

Une seule colonne de regroupement

Vous apprendrez à résumer des données en calculant des statistiques clés telles que des totaux, des moyennes et des comptages, vous permettant ainsi d'extraire des enseignements significatifs à partir de données brutes.

Valeurs de synthèse

Agrégation de données

Vous apprendrez à gérer des calculs en plusieurs étapes et à calculer des pourcentages sur des totaux, vous permettant ainsi de construire des métriques complexes dépendant de résultats intermédiaires.

Transformations complexes

Vous apprendrez à créer de nouvelles colonnes en combinant et en calculant des valeurs à partir de données existantes, vous permettant ainsi d'obtenir des ratios et d'autres métriques non disponibles dans le jeu de données d'origine.

Transformations de base

Transformation des données

Vous apprendrez à extraire des lignes spécifiques de vos données en fonction de conditions, ce qui vous permettra de concentrer votre analyse sur des sous-ensembles pertinents et de gérer les valeurs manquantes ainsi que les motifs textuels.

Filtrage de base

Vous apprendrez à filtrer des données à l'aide de plusieurs critères simultanément, ce qui vous permettra d'extraire précisément les lignes dont vous avez besoin en combinant des conditions avec la logique AND et OR.

Conditions multiples

Vous apprendrez à simplifier les filtrages complexes en décomposant les conditions dans des colonnes distinctes, et à extraire l'inverse d'un résultat de filtre, rendant ainsi votre analyse plus transparente et vérifiable.

Filtrage complexe

Filtrage des données

Vous apprendrez à appliquer différents calculs basés sur des conditions spécifiques, vous permettant ainsi de normaliser les valeurs, de classer les données en catégories et de gérer divers scénarios au sein de vos données.

Transformation conditionnelle

Vous apprendrez à calculer des résumés incluant uniquement les valeurs répondant à des critères spécifiques, vous permettant ainsi de calculer des métriques nuancées telles que la « moyenne des vols retardés uniquement » au sein de chaque groupe.

Agrégation conditionnelle

Opérations conditionnelles

Avocado prices

Walmart sales

Homelessness data

Temperatures

Course Glossary: Data Manipulation with pandas

Pandas est la bibliothèque Python la plus populaire au monde, utilisée pour tout, de la manipulation à l'analyse des données. Dans ce cours, vous apprendrez à manipuler les DataFrames, en extrayant, filtrant et transformant des ensembles de données du monde réel à des fins d'analyse. En utilisant pandas, vous explorerez tous les concepts de base de la science des données. À l'aide de données réelles, notamment les chiffres de vente de Walmart et les séries chronologiques des températures mondiales, vous apprendrez à importer, nettoyer, calculer des statistiques et créer des visualisations, en utilisant pandas pour accroître la puissance de Python.

pandas is the world's most popular Python library, used for everything from data manipulation to data analysis. In this course, with an AI Tutor by your side, you'll learn how to manipulate DataFrames, as you aggregate, filter, and transform real-world datasets for analysis. Using pandas you’ll explore all of the core data manipulation operations essential in data science.

<h2>Manipulation de données avec pandas</h2>
pandas est la bibliothèque Python la plus populaire au monde, utilisée pour tout, de la manipulation des données à l'analyse des données. Dans ce cours, vous apprendrez à manipuler les DataFrames, en extrayant, filtrant et transformant des ensembles de données du monde réel à des fins d'analyse. 
<br><br>
En utilisant pandas, vous explorerez tous les concepts de base de la science des données. À l'aide de données réelles, notamment les chiffres de vente de Walmart et les séries chronologiques des températures mondiales, vous apprendrez à importer, nettoyer, calculer des statistiques et créer des visualisations, en utilisant pandas pour accroître la puissance de Python.
<br><br>
<h2>Travaillez avec pandas Data pour explorer les concepts de base de la science des données</h2>
Vous commencerez par maîtriser les bases de pandas, y compris la façon d'inspecter les DataFrames et d'effectuer quelques manipulations fondamentales. Vous apprendrez également à agréger des DataFrames, avant de passer au découpage et à l'indexation. 
<br><br>
Vous terminerez le cours en apprenant à visualiser le contenu de vos DataFrames, en travaillant avec un ensemble de données qui contient les ventes hebdomadaires d'avocats aux États-Unis. 
<br><br>
<h2>Apprenez à manipuler les DataFrames</h2>
En suivant ce cours sur pandas, vous comprendrez comment utiliser cette bibliothèque Python pour manipuler des données. Vous comprendrez les DataFrames et comment les utiliser, et vous serez capable de visualiser vos données en Python.

Intermediate Python

Ce cours sur pandas vous apprend à manipuler des DataFrames pour analyser des ensembles de données.

Manipulation de données avec pandas

Apprenez à importer et nettoyer des données, calculer des statistiques et créer des visualisations avec pandas. 

Associate Data Scientist  en Python

Analyste de données  en Python

Manipulation de données  en Python

Principes de base des données en Python

Création de sous-ensemble de colonnes

Exercice interactif pratique