Acest capitol îți oferă o privire de ansamblu asupra importanței codului eficient și a modului de selectare eficientă a rândurilor și coloanelor specifice sau aleatoare.

Nevoia de cod eficient I

Ce măsoară time.time()?

Măsurarea timpului I

Măsurarea timpului II

Localizarea rândurilor: .iloc[] și .loc[]

Selectarea rândurilor: loc[] vs iloc[]

Selectarea coloanelor: .iloc[] vs. după nume

Selectează rânduri aleatorii

Selectarea aleatorie a rândurilor

Selectarea aleatorie a coloanelor

Selectarea eficientă a coloanelor și rândurilor

Acest capitol prezintă utilizarea funcției replace() pentru înlocuirea uneia sau mai multor valori cu ajutorul listelor și dicționarelor.

Înlocuirea valorilor scalare cu .replace()

Înlocuirea valorilor scalare I

Înlocuirea valorilor scalare II

Înlocuirea valorilor folosind liste

Înlocuirea mai multor valori I

Înlocuirea mai multor valori II

Înlocuirea valorilor folosind dicționare

Înlocuirea valorilor individuale I

Înlocuirea valorilor individuale II

Înlocuirea mai multor valori III

Cea mai eficientă metodă pentru înlocuirea valorilor scalare

Înlocuirea valorilor într-un DataFrame

Acest capitol prezintă diferite modalități de a itera printr-un DataFrame pandas și explică de ce vectorizarea este cea mai eficientă abordare.

Iterare cu funcția .iterrows()

Creează un generator pentru un DataFrame pandas

Funcția iterrows() pentru parcurgerea buclelor

Iterarea folosind funcția .apply()

Funcția .apply() pe fiecare celulă

.apply() pentru iterarea pe rânduri

Vectorizare peste serii pandas

De ce vectorizarea în pandas este atât de rapidă?

Vectorizarea în pandas în acțiune

Vectorizare cu array-uri NumPy folosind .values()

Cea mai bună metodă de vectorizare

Metode de vectorizare pentru iterarea unui DataFrame

Iterare eficientă

Acest capitol descrie funcția groupby() și modul în care o putem folosi pentru a transforma valori în loc, a înlocui valorile lipsă și a aplica funcții complexe la nivel de grup.

Transformarea datelor cu .groupby().transform

Normalizarea min-max folosind .transform()

Transformarea valorilor în probabilități

Validarea normalizării

Când să folosești transform()?

Imputarea valorilor lipsă folosind transform()

Identificarea valorilor lipsă

Imputarea valorilor lipsă

Filtrarea datelor cu funcția filter()

Când să folosești filtrarea?

Filtrarea datelor

Felicitări!

Manipularea datelor cu .groupby()

Poker

Popular Baby Names

Restaurant

Capacitatea de a lucra eficient cu seturi mari de date și de a extrage informații valoroase este o abilitate indispensabilă pentru orice viitor specialist în date. Când lucrăm cu cantități mici de date, nu realizăm întotdeauna cât de lent poate fi codul. Acest curs se bazează pe cunoștințele tale de Python și biblioteca pandas, introducând funcții pandas eficiente pentru a realiza sarcini mai rapid. Funcțiile built-in din pandas îți permit să abordezi atât sarcini simple – cum ar fi selectarea unor înregistrări și caracteristici specifice din date – cât și sarcini complexe, precum aplicarea de funcții pe grupuri de înregistrări, mult mai rapid decât metodele obișnuite din Python. La finalul cursului, vei putea aplica o funcție asupra datelor în funcție de valoarea unei caracteristici, să parcurgi seturi mari de date rapid și să manipulezi date aparținând unor grupuri diferite în mod eficient. Vei aplica aceste metode pe o varietate de seturi de date din lumea reală, precum mâini de poker sau bacșișuri la restaurante.

Vectorizare cu array-uri NumPy folosind .values()

Create Your Free Account