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, et à trier et résumer un DataFrame.

Introduction au DataFrame 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 sur les 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 une introduction au mode paresseux et à l’optimisation des requêtes.

Transformer des colonnes

Transformer des données avec une expression

Agréger une colonne

Transformation des données

Ajouter des colonnes

Ajouter une nouvelle colonne

Utiliser une expression spécifique 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 paresseuse (Lazy)

Qu’est-ce qui influence le prix des VE ?

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 dupliquées, 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 dupliquées

Détecter et supprimer les valeurs manquantes

Remplacer les valeurs manquantes

Suppression des valeurs en double

Agrégations groupées

Compter des valeurs

Agrégation avec group-by

Agrégations multiples sur une colonne

Pivot et dé-pivot

Faire un pivot d’un DataFrame

Dépivotage des données : du format large au format long

Pour conclure

Analyser des données

Electric Vehicles

Music Streams

Découvrez comment manipuler des données et en tirer des informations avec Polars, un package polyvalent et performant pour travailler avec des données tabulaires en Python. Conçu pour la vitesse et l’efficacité, Polars est idéal aussi bien pour une exploration rapide que pour des analyses approfondies. Dans ce cours, vous apprendrez les techniques essentielles pour transformer, nettoyer, analyser et visualiser des données tabulaires.

<h2>Découvrez la manipulation efficace des données avec Polars</h2>Polars est un ensemble d'outils puissant et polyvalent pour travailler avec des données tabulaires en Python. Conçu pour la rapidité et l'efficacité, Polars constitue un excellent choix pour toutes les tâches, de l'exploration rapide des données à l'analyse détaillée. Dans ce cours, vous apprendrez les principes fondamentaux de l'utilisation de Polars pour travailler avec vos données.<br><br><h2>Chargez, explorez et nettoyez vos données</h2>Vous commencerez par apprendre à importer des fichiers CSV dans Polars DataFrame, à résumer leur contenu et à sélectionner les données les plus pertinentes. Ensuite, vous découvrirez comment nettoyer votre ensemble de données en identifiant et en supprimant les données manquantes ou dupliquées.<br><br><h2>Analysez et visualisez efficacement vos données</h2>Ensuite, vous effectuerez une analyse plus approfondie des données en les divisant en groupes et en calculant les statistiques pour chaque groupe. Vous vous exercerez également à transformer des colonnes à l'aide d'expressions Polars et découvrirez comment Polars facilite la transformation simultanée de plusieurs colonnes. La visualisation est essentielle pour tirer des enseignements de vos données et communiquer ces enseignements à d'autres. À la fin du cours, vous serez en mesure de créer des visualisations claires pour présenter vos conclusions.<br><br><h2>Optimisation avec l'exécution paresseuse Polars</h2>Une fonctionnalité remarquable de Polars est sa capacité à optimiser votre code afin d'améliorer les performances. Vous apprendrez comment activer l'optimisation et comprendrez comment ces optimisations fonctionnent. Grâce à l'expérience acquise dans ce cours, vous serez en mesure d'utiliser Polars pour une large gamme de tâches liées aux données du monde réel et de découvrir des informations précieuses.

Intermediate Python

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

Introduction à Polars

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

Introduction à Polars

Exercice interactif pratique