Dit hoofdstuk laat zien waarom efficiënte code ertoe doet en hoe je specifieke en willekeurige rijen en kolommen efficiënt selecteert.

Waarom efficiënte code nodig is I

Wat meet time.time()?

Tijd meten I

Tijd meten II

Rijen selecteren: .iloc[] en .loc[]

Rijselectie: loc[] vs iloc[]

Kolommen selecteren: .iloc[] vs op naam

Selecteer willekeurige rijen

Willekeurige rijen selecteren

Willekeurige kolomselectie

Kolommen en rijen efficiënt selecteren

Dit hoofdstuk laat zien hoe je de functie replace() gebruikt om één of meerdere waarden te vervangen met lijsten en woordenboeken.

Scalairen vervangen met .replace()

Scalaire waarden vervangen I

Schaalwaarden vervangen II

Waarden vervangen met lijsten

Meerdere waarden vervangen I

Meerdere waarden vervangen II

Waarden vervangen met behulp van dictionaries

Enkele waarden vervangen I

Enkele waarden vervangen II

Meerdere waarden vervangen III

Meest efficiënte methode voor scalair vervangen

Waarden vervangen in een DataFrame

Dit hoofdstuk behandelt verschillende manieren om door een pandas DataFrame te itereren en waarom vectorisatie de meest efficiënte aanpak is.

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

Efficiënt itereren

Dit hoofdstuk beschrijft de functie groupby() en hoe je die gebruikt om waarden ter plekke te transformeren, missende waarden te vervangen en complexe functies per groep toe te passen.

Gegevens transformeren met .groupby().transform

Min–max-normalisatie met .transform()

Waarden omzetten naar kansen

Validatie van normalisatie

Wanneer gebruik je transform()?

Missende waarden imputeren met transform()

Missende waarden identificeren

Imputatie van ontbrekende waarden

Gegevens filteren met de functie filter()

Wanneer gebruik je filtratie?

Gegevens filteren

Gefeliciteerd!

Datamanipulatie met .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.

Wat meet time.time()?

Efficiënte code schrijven met pandas

Interactieve oefening met praktijkervaring