Ten rozdział przedstawia, dlaczego wydajny kod ma znaczenie, oraz uczy wydajnego wybierania określonych i losowych wierszy i kolumn.

Po co pisać wydajny kod? (część I)

Co mierzy time.time()?

Mierzenie czasu I

Mierzenie czasu II

Lokalizowanie wierszy: .iloc[] i .loc[]

Wybór wierszy: loc[] vs iloc[]

Wybór kolumn: .iloc[] a wybór po nazwie

Losowanie losowych wierszy

Losowe wybieranie wierszy

Losowy wybór kolumn

Wydajne wybieranie kolumn i wierszy

Ten rozdział pokazuje, jak używać funkcji replace() do zastępowania jednej lub wielu wartości – za pomocą list i słowników.

Zastępowanie wartości skalarnych za pomocą .replace()

Zastępowanie wartości skalarnych I

Zastępowanie wartości skalarnych II

Zastępowanie wartości za pomocą list

Zastępowanie wielu wartości I

Zamiana wielu wartości II

Zastępowanie wartości za pomocą słowników

Zastępowanie pojedynczych wartości I

Zastępowanie pojedynczych wartości II

Zastępowanie wielu wartości III

Najbardziej wydajna metoda zastępowania wartości skalarnych

Zastępowanie wartości w DataFrame

Ten rozdział omawia różne sposoby iterowania przez DataFrame w pandas i wyjaśnia, dlaczego wektoryzacja jest najwydajniejszym podejściem.

Iterowanie z użyciem funkcji .iterrows()

Tworzenie generatora dla DataFrame'a w pandas

Funkcja iterrows() do iterowania

Iterowanie z użyciem funkcji .apply()

Funkcja `.apply()` na każdej komórce

.apply() do iteracji po wierszach

Wektoryzacja na seriach pandas

Dlaczego wektoryzacja w pandas jest taka szybka?

Wektoryzacja w pandas w praktyce

Wektoryzacja z tablicami NumPy przy użyciu .values()

Najlepsza metoda wektoryzacji

Metody wektoryzacji do iterowania po DataFrame

Wydajne iterowanie

Ten rozdział opisuje funkcję groupby() i pokazuje, jak za jej pomocą przekształcać wartości w miejscu, uzupełniać brakujące wartości oraz stosować złożone funkcje na poziomie grup.

Transformacja danych za pomocą .groupby().transform

Normalizacja min-max z użyciem .transform()

Przekształcanie wartości na prawdopodobieństwa

Weryfikacja normalizacji

Kiedy używać transform()?

Uzupełnianie brakujących wartości za pomocą transform()

Identyfikowanie brakujących wartości

Uzupełnianie brakujących wartości

Filtrowanie danych za pomocą funkcji filter()

Kiedy używać filtrowania?

Filtrowanie danych

Gratulacje!

Manipulowanie danymi za pomocą .groupby()

Poker

Popular Baby Names

Restaurant

Umiejętność sprawnej pracy z dużymi zbiorami danych i wyciągania z nich cennych informacji to niezbędne narzędzie każdego przyszłego specjalisty ds. danych. Pracując z małą ilością danych, często nie zauważamy, jak wolno może działać nasz kod. Ten kurs rozbuduje twoją wiedzę z zakresu Pythona i biblioteki pandas oraz zapozna cię z wydajnymi wbudowanymi funkcjami pandas, dzięki którym zadania wykonasz szybciej. Wbudowane funkcje pandas pozwalają sprawnie realizować zarówno proste zadania – jak wybieranie konkretnych rekordów i cech z danych – jak i te bardziej złożone, takie jak stosowanie funkcji na grupach rekordów, znacznie szybciej niż standardowe metody Pythona. Po ukończeniu kursu będziesz potrafić stosować funkcje do danych na podstawie wartości cechy, sprawnie iterować przez duże zbiory danych oraz efektywnie manipulować danymi należącymi do różnych grup. Metody te zastosujesz na różnorodnych zbiorach danych z życia wziętych – takich jak układy kart pokerowych czy napiwki w restauracjach.

Data Manipulation with pandas

Poznaj efektywne techniki w pandas, aby zoptymalizować kod w Pythonie.

Wydajne programowanie z pandas

Poznaj efektywne techniki w pandas, aby zoptymalizować kod Python.

PhD Candidate

Cel funkcji filter()

Filtrowanie za pomocą groupby().filter()

Porównanie z natywnymi metodami

Do dzieła!

Manipulowanie danymi za pomocą .groupby() - Filtrowanie danych za pomocą funkcji filter()

Filtrowanie danych za pomocą funkcji filter()

Create Your Free Account