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.

Looping using the .iterrows() function

Create a generator for a pandas DataFrame

The iterrows() function for looping

Looping using the .apply() function

.apply() function in every cell

.apply() for rows iteration

Vectorization over pandas series

Why vectorization in pandas is so fast?

pandas vectorization in action

Vectorization with NumPy arrays using .values()

Best method of vectorization

Vectorization methods for looping a 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. 

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()

Identifier les valeurs manquantes

Imputation des valeurs manquantes

Filtrage des données avec la fonction filter()

Quand utiliser la filtration ?

Filtration des données

Félicitations !

Data manipulation using .groupby()

Poker

Popular Baby Names

Restaurant

La capacité à travailler efficacement avec de grands jeux de données et à en extraire des informations utiles est un atout indispensable pour tout data scientist. Avec peu de données, on ne se rend pas toujours compte à quel point l’exécution du code peut être lente. Ce cours s’appuie sur vos connaissances de Python et de la bibliothèque pandas, et vous présente des fonctions intégrées efficaces pour réaliser vos tâches plus rapidement. Les fonctions intégrées de pandas permettent d’accélérer aussi bien les opérations simples, comme cibler des entrées et des variables spécifiques, que les plus complexes, comme appliquer des fonctions à des groupes d’entrées, bien plus vite que les méthodes Python habituelles. À la fin du cours, vous saurez appliquer une fonction à des données selon la valeur d’une variable, itérer rapidement sur 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 des pourboires au restaurant.

Data Manipulation with pandas

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

Écrire du code efficace avec pandas

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

Quand utiliser la filtration ?

Exercice interactif pratique