Bab ini akan memberikan gambaran mengapa kode yang efisien itu penting dan bagaimana memilih baris serta kolom tertentu maupun acak dengan efisien.

Pentingnya penulisan kode yang efisien I

Apa yang diukur oleh time.time()?

Mengukur waktu I

Mengukur waktu II

Menemukan baris: .iloc[] dan .loc[]

Pemilihan baris: loc[] vs iloc[]

Pemilihan kolom: .iloc[] vs berdasarkan nama

Pilih baris acak

Pemilihan baris acak

Pemilihan kolom acak

Memilih kolom dan baris secara efisien

Bab ini menunjukkan penggunaan fungsi replace() untuk mengganti satu atau beberapa nilai menggunakan list dan dictionary.

Ganti nilai skalar dengan .replace()

Mengganti nilai skalar I

Ganti nilai skalar II

Mengganti nilai menggunakan list

Ganti beberapa nilai I

Ganti beberapa nilai II

Mengganti nilai menggunakan kamus

Ganti nilai tunggal I

Ganti nilai tunggal II

Ganti beberapa nilai III

Metode paling efisien untuk penggantian skalar

Mengganti nilai dalam DataFrame

Bab ini menyajikan berbagai cara melakukan iterasi melalui DataFrame pandas dan mengapa vektorisasi adalah cara paling efisien untuk mencapainya.

Perulangan menggunakan fungsi .iterrows()

Buat generator untuk sebuah DataFrame pandas

Fungsi iterrows() untuk melakukan looping

Melakukan perulangan menggunakan fungsi .apply()

Fungsi .apply() pada setiap sel

.apply() untuk iterasi baris

Vektorisasi pada seri pandas

Mengapa vektorisasi di pandas sangat cepat?

Vektorisasi pandas dalam praktik

Vektorisasi dengan array NumPy menggunakan .values()

Metode vektorisasi terbaik

Metode vektorisasi untuk melakukan looping pada DataFrame

Iterasi yang efisien

Bab ini menjelaskan fungsi groupby() dan bagaimana kita dapat menggunakannya untuk mentransformasikan nilai secara in-place, mengganti nilai hilang, dan menerapkan fungsi kompleks per kelompok.

Transformasi data menggunakan .groupby().transform

Normalisasi min-maks menggunakan .transform()

Mengubah nilai menjadi probabilitas

Validasi normalisasi

Kapan menggunakan transform()?

Imputasi nilai hilang menggunakan transform()

Mengidentifikasi nilai hilang

Imputasi nilai hilang

Filtrasi data menggunakan fungsi filter()

Kapan menggunakan filtrasi?

Penyaringan data

Selamat!

Manipulasi data menggunakan .groupby()

Poker

Popular Baby Names

Restaurant

Kemampuan untuk bekerja secara efisien dengan himpunan data besar dan mengekstrak informasi berharga adalah keterampilan yang tak tergantikan bagi setiap calon data scientist. Saat bekerja dengan sedikit data, kita sering tidak menyadari betapa lambatnya eksekusi kode. Kursus ini akan membangun pengetahuan Anda tentang Python dan pustaka pandas serta memperkenalkan Anda pada fungsi bawaan pandas yang efisien untuk menyelesaikan tugas dengan lebih cepat. Fungsi bawaan pandas memungkinkan Anda menangani tugas paling sederhana, seperti menargetkan entri dan fitur tertentu dari data, hingga tugas paling kompleks, seperti menerapkan fungsi pada kelompok entri, jauh lebih cepat dibandingkan metode Python biasa. Pada akhir kursus ini, Anda akan mampu menerapkan fungsi pada data berdasarkan nilai fitur, melakukan iterasi cepat pada himpunan data besar, dan memanipulasi data yang termasuk dalam kelompok berbeda secara efisien. Anda akan menerapkan metode ini pada berbagai himpunan data dunia nyata, seperti kombinasi kartu poker atau tip restoran.

Data Manipulation with pandas

Pelajari teknik efisien di pandas untuk mengoptimalkan kode Python Anda.

Menulis Kode Efisien dengan pandas

PhD Candidate

Penyaringan data dengan fungsi filter()

Tujuan filter()

Filter dengan groupby().filter()

Perbandingan dengan metode native

Ayo berlatih!

Manipulasi data menggunakan .groupby() - Filtrasi data menggunakan fungsi filter()

Filtrasi data menggunakan fungsi filter()

Create Your Free Account