Este capítulo apresenta por que código eficiente importa e como selecionar linhas e colunas específicas e aleatórias de forma eficiente.

A necessidade de codificação eficiente I

O que time.time() mede?

Medindo o tempo I

Medindo o tempo II

Localizar linhas: .iloc[] e .loc[]

Seleção de linhas: loc[] vs iloc[]

Seleção de colunas: .iloc[] vs por nome

Selecionar linhas aleatórias

Seleção aleatória de linhas

Seleção aleatória de colunas

Selecionando colunas e linhas com eficiência

Este capítulo mostra o uso da função replace() para substituir um ou vários valores usando listas e dicionários.

Substituir valores escalares usando .replace()

Substituindo valores escalares I

Substituir valores escalares II

Substituir valores usando listas

Substituir múltiplos valores I

Substituir múltiplos valores II

Substituir valores usando dicionários

Substituir valores únicos I

Substituir valores únicos II

Substituir vários valores III

Método mais eficiente para substituição escalar

Substituindo valores em um DataFrame

Este capítulo apresenta diferentes formas de iterar por um DataFrame do pandas e por que a vetorização é a maneira mais eficiente de fazer isso.

Percorrendo com a função .iterrows()

Crie um gerador para um DataFrame do pandas

A função iterrows() para fazer loop

Repetição usando a função .apply()

Função .apply() em todas as células

Iteração por linhas com .apply()

Vetorização em séries do pandas

Por que a vetorização em pandas é tão rápida?

vetorização do pandas em ação

Vetorização com arrays do NumPy usando .values()

Melhor método de vetorização

Métodos de vetorização para iterar um DataFrame

Iteração eficiente

Este capítulo descreve a função groupby() e como usá-la para transformar valores in place, substituir valores ausentes e aplicar funções complexas por grupo.

Transformação de dados usando .groupby().transform

Normalização min-max usando .transform()

Transformando valores em probabilidades

Validação da normalização

Quando usar transform()?

Imputação de valores ausentes usando transform()

Identificando valores ausentes

Imputação de valores ausentes

Filtragem de dados usando a função filter()

Quando usar filtragem?

Filtragem de dados

Parabéns!

Manipulação de dados usando .groupby()

Poker

Popular Baby Names

Restaurant

A capacidade de trabalhar com grandes conjuntos de dados e extrair informações valiosas é uma ferramenta indispensável para toda pessoa que quer se tornar data scientist. Quando trabalhamos com pouca informação, muitas vezes não percebemos como a execução do código pode ser lenta. Este curso vai aprofundar seu conhecimento de Python e da biblioteca pandas e apresentar funções internas eficientes do pandas para executar tarefas mais rápido. As funções nativas do pandas permitem resolver desde as tarefas mais simples, como selecionar entradas e recursos específicos dos dados, até as mais complexas, como aplicar funções em grupos de entradas, muito mais rapidamente do que os métodos usuais do Python. Ao final do curso, você será capaz de aplicar uma função aos dados com base no valor de um atributo, iterar rapidamente por grandes conjuntos de dados e manipular dados de diferentes grupos com eficiência. Você vai aplicar esses métodos em uma variedade de conjuntos de dados do mundo real, como mãos de pôquer ou gorjetas em restaurantes.

Vetorização com arrays do NumPy usando .values()

Create Your Free Account