この章では、なぜ効率的なコードが重要なのかを概観し、特定の行・列やランダムな行・列を効率よく選択する方法を学びます。

効率的なコーディングが必要な理由 I

time.time() は何を測定しますか？

時間の計測 I

時間計測 II

行を特定する：.iloc[] と .loc[]

行の選択: loc[] と iloc[]

列の選択：.iloc[] と 名前指定の比較

ランダムに行を選ぶ

ランダムな行の選択

列をランダムに選ぶ

列と行を効率よく選択する

この章では、replace() 関数を使って、リストや辞書により単一または複数の値を置換する方法を紹介します。

replace() でスカラー値を置換する

スカラー値の置換 I

スカラー値の置換 II

リストを使って値を置換する

複数の値を置換する I

複数の値を置換する II

辞書を使って値を置換する

単一の値を置換する I

単一の値を置換 II

複数の値を置換 III

スカラー置換で最も効率的な方法

DataFrame 内の値を置換する

この章では、Pandas DataFrame を反復処理するさまざまな方法を示し、その中でもベクトル化が最も効率的である理由を説明します。

`.iterrows()` 関数を使ったループ処理

pandas DataFrame のジェネレーターを作成する

ループのための iterrows() 関数

`.apply()` 関数を使ったループ処理

.apply() 関数をすべてのセルに適用する

.apply() で行を反復処理する

pandas Series のベクトル化

なぜpandasのベクトル化はそんなに速いのですか？

pandas のベクトル化を体験しよう

NumPy 配列と .values() を使ったベクトル化

ベクトル化の最適な方法

DataFrame をループ処理するためのベクトル化手法

効率的な反復処理

この章では、groupby() 関数の概要と、値をその場で変換したり、欠損値を置換したり、グループ単位で複雑な関数を適用する方法を解説します。

groupby().transform を使ったデータ変換

.transform() を使った min-max 正規化

値を確率に変換する

正規化の検証

transform() を使うタイミングは？

transform() を使った欠損値の補完

欠損値の特定

欠損値の補完

filter() 関数を使ったデータの抽出（フィルタリング）

フィルタリングはいつ使う？

データのフィルタリング

おめでとうございます！

.groupby() を使ったデータ操作

Poker

Popular Baby Names

Restaurant

大規模なデータセットを効率よく扱い、価値ある情報を引き出す力は、データサイエンティストを目指す方にとって欠かせないスキルです。少量のデータでは、コードの実行がどれほど遅くなり得るかに気づきにくいものです。本コースでは、Python と pandas ライブラリの知識を土台に、処理を高速化する pandas の効率的な組み込み関数を紹介します。pandas の組み込み関数を使えば、データから特定の要素や特徴量を取り出すといった簡単な作業から、グループごとに関数を適用するような高度な作業まで、通常の Python の手法よりずっと速く実行できます。コースの終わりには、特徴量の値に基づいて関数を適用したり、大規模なデータセットを素早く反復処理したり、異なるグループに属するデータを効率的に操作できるようになります。ポーカーハンドやレストランのチップなど、実世界のさまざまなデータセットでこれらの手法を実践します。

Data Manipulation with pandas

パンダで効率的な手法を学び、Pythonコードを最適化しよう。

pandasで効率的にコードを書く

pandasで効率的な手法を学び、Pythonコードを最適化しましょう。

PhD Candidate

filter() 関数でデータを抽出する

filter() の目的

groupby().filter() で抽出

ネイティブ手法との比較

やってみましょう！

.groupby() を使ったデータ操作 - filter() 関数を使ったデータの抽出（フィルタリング）

filter() 関数を使ったデータの抽出（フィルタリング）

Create Your Free Account