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.

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 lignes

Vectorisation sur des séries pandas

Pourquoi la vectorisation dans pandas est-elle si rapide ?

Vectorisation pandas en pratique

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

Meilleure méthode de vectorisation

Méthodes de vectorisation pour parcourir un 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. 

Data transformation using .groupby().transform

The min-max normalization using .transform()

Transforming values to probabilities

Validation of normalization

When to use transform()?

Missing value imputation using transform()

Identifying missing values

Missing value imputation

Data filtration using the filter() function

When to use filtration?

Data filtration

Congratulations!

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.

Pourquoi la vectorisation dans pandas est-elle si rapide ?

Exercice interactif pratique