Questo capitolo offre una panoramica dell’importanza del codice efficiente e di come selezionare righe e colonne specifiche o casuali in modo efficiente.

Perché serve codice efficiente I

Che cosa misura time.time()?

Misurare il tempo I

Misurare il tempo II

Individua le righe: .iloc[] e .loc[]

Selezione delle righe: loc[] vs iloc[]

Selezione delle colonne: .iloc[] vs per nome

Seleziona righe casuali

Selezione casuale di righe

Selezione casuale di colonne

Selezionare colonne e righe in modo efficiente

Questo capitolo illustra l’uso della funzione replace() per sostituire uno o più valori tramite liste e dizionari.

Sostituire valori scalari con .replace()

Sostituire valori scalari I

Sostituire valori scalari II

Sostituisci valori usando le liste

Sostituisci più valori I

Sostituisci più valori II

Sostituisci valori usando dizionari

Sostituisci singoli valori I

Sostituisci singoli valori II

Sostituisci più valori III

Metodo più efficiente per la sostituzione scalare

Sostituire valori in un DataFrame

Questo capitolo presenta diversi modi di iterare su un DataFrame di pandas e perché la vettorizzazione è l’approccio più efficiente per farlo.

Ciclare con la funzione .iterrows()

Crea un generatore per un DataFrame di pandas

La funzione iterrows() per ciclare

Ciclare usando la funzione .apply()

Funzione .apply() su ogni cella

.apply() per iterare sulle righe

Vectorizzazione sulle series di pandas

Perché la vectorization in pandas è così veloce?

La vettorizzazione di pandas in pratica

Vettorizzazione con array NumPy usando .values()

Miglior metodo di vettorizzazione

Metodi di vettorizzazione per iterare un DataFrame

Iterazioni efficienti

Questo capitolo descrive la funzione groupby() e come usarla per trasformare i valori in place, sostituire i valori mancanti e applicare funzioni complesse per gruppo.

Trasformazione dei dati con .groupby().transform

Normalizzazione min-max con .transform()

Trasformare i valori in probabilità

Validazione della normalizzazione

Quando usare transform()?

Imputazione dei valori mancanti con transform()

Identificare i valori mancanti

Imputazione dei valori mancanti

Filtraggio dei dati con la funzione filter()

Quando usare la filtrazione?

Filtraggio dei dati

Complimenti!

Manipolazione dei dati con .groupby()

Poker

Popular Baby Names

Restaurant

Saper lavorare in modo efficiente con grandi insiemi di dati ed estrarre informazioni utili è uno strumento imprescindibile per ogni aspirante data scientist. Quando lavoriamo con pochi dati, spesso non ci accorgiamo di quanto possa essere lenta l’esecuzione del codice. Questo corso approfondirà le tue conoscenze di Python e della libreria pandas e ti presenterà funzioni integrate efficienti di pandas per svolgere i compiti più rapidamente. Le funzioni integrate di pandas ti permettono di passare dai compiti più semplici, come selezionare voci e caratteristiche specifiche dai dati, a quelli più complessi, come applicare funzioni a gruppi di voci, molto più velocemente rispetto ai metodi abituali di Python. Alla fine del corso, sarai in grado di applicare una funzione ai dati in base al valore di una caratteristica, iterare rapidamente su grandi insiemi di dati e manipolare in modo efficiente dati appartenenti a gruppi diversi. Metterai in pratica questi metodi su diversi insiemi di dati reali, come mani di poker o mance nei ristoranti.

Data Manipulation with pandas

Impara tecniche efficienti in pandas per ottimizzare il tuo codice Python.

Scrivere codice efficiente con pandas

PhD Candidate

Trova righe: .iloc[] e .loc[]

Il dataset del poker

Trova righe mirate

Trova colonne mirate

Facciamolo!

Selezionare colonne e righe in modo efficiente - Individua le righe: .iloc[] e .loc[]

Individua le righe: .iloc[] e .loc[]

Create Your Free Account