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.

Lussen met de functie .iterrows()

Maak een generator voor een pandas DataFrame

De functie iterrows() om te loopen

Lussen met de functie .apply()

.apply()-functie op elke cel

.apply() voor itereren over rijen

Vectorisatie over pandas-series

Waarom is vectorisatie in pandas zo snel?

pandas-vectorisatie in de praktijk

Vectorisatie met NumPy-arrays met .values()

Beste methode van vectorisatie

Vectorisatiemethoden voor itereren over een 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

Efficiënt werken met grote gegevenssets en daar waardevolle informatie uit halen is onmisbaar voor elke beginnende data scientist. Met weinig data merk je vaak niet hoe traag code kan worden uitgevoerd. In deze cursus bouw je voort op je kennis van Python en de pandas-bibliotheek, en maak je kennis met efficiënte ingebouwde pandas-functies om taken sneller uit te voeren. Met de ingebouwde functies van pandas kun je alles veel sneller doen, van eenvoudige taken zoals specifieke rijen en kolommen uit de data selecteren, tot complexere taken zoals functies toepassen op groepen rijen, vergeleken met de gebruikelijke Python-methoden. Aan het einde van deze cursus kun je een functie toepassen op data op basis van een kenmerkwaarde, snel door grote gegevenssets itereren en data van verschillende groepen efficiënt manipuleren. Je past deze methoden toe op diverse praktijkdatasets, zoals pokerhanden of fooien in restaurants.

Data Manipulation with pandas

Leer efficiënte technieken in pandas om je Python-code te optimaliseren.

Efficiënte code schrijven met pandas

Leer handige technieken in pandas om je Python-code te verbeteren.

Waarom is vectorisatie in pandas zo snel?

Efficiënte code schrijven met pandas

Praktische interactieve oefening