Ce chapitre vous explique pourquoi l’efficacité du code est importante et comment sélectionner efficacement des lignes et colonnes spécifiques 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 colonnes et 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 avec des 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 sur un DataFrame pandas et explique pourquoi la vectorisation est la méthode la plus efficace.

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

Itérations efficaces

Ce chapitre décrit la fonction groupby() et montre comment 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()

Identifier les valeurs manquantes

Imputation des valeurs manquantes

Filtrage 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 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.

Que mesure time.time() ?

Exercice interactif pratique