Det här kapitlet ger dig en översikt över varför effektiv kod spelar roll och hur du väljer ut specifika och slumpmässiga rader och kolumner på ett effektivt sätt.

Varför effektiv kod är viktigt, del I

Vad mäter time.time()?

Tidsmätning I

Mäta tid II

Hitta rader: .iloc[] och .loc[]

Radurval: loc[] vs iloc[]

Kolumnval: .iloc[] jämfört med namn

Välj slumpmässiga rader

Slumpmässigt urval av rader

Slumpmässigt kolumnurval

Effektivt urval av kolumner och rader

Det här kapitlet visar hur funktionen replace() används för att ersätta ett eller flera värden med hjälp av listor och ordlistor.

Ersätt skalärsvärden med .replace()

Ersätta skalärvärden I

Ersätt skalära värden II

Ersätt värden med listor

Ersätt flera värden I

Ersätt flera värden II

Ersätt värden med hjälp av ordlistor

Ersätt enskilda värden I

Ersätt enstaka värden II

Ersätt flera värden III

Effektivaste metoden för att ersätta skalärvärden

Ersätta värden i en DataFrame

Det här kapitlet presenterar olika sätt att iterera igenom en pandas DataFrame och förklarar varför vektorisering är det mest effektiva tillvägagångssättet.

Loopar med funktionen .iterrows()

Skapa en generator för en pandas DataFrame

Funktionen iterrows() för loopning

Loopning med funktionen .apply()

.apply()-funktionen på varje cell

.apply() för raditerering

Vektorisering över pandas-serier

Varför är vektorisering i pandas så snabb?

Vektorisering i pandas i praktiken

Vektorisering med NumPy-arrayer med hjälp av .values()

Bästa metoden för vektorisering

Vektoriseringsmetoder för att iterera genom en DataFrame

Effektiv iteration

Det här kapitlet beskriver funktionen groupby() och hur den kan användas för att transformera värden på plats, ersätta saknade värden och tillämpa komplexa funktioner per grupp.

Datatransformation med .groupby().transform

Min-max-normalisering med .transform()

Omvandla värden till sannolikheter

Validering av normalisering

När ska man använda transform()?

Imputering av saknade värden med transform()

Identifiera saknade värden

Imputering av saknade värden

Datafiltrering med funktionen filter()

När ska filtrering användas?

Datafiltrering

Grattis!

Datamanipulering med .groupby()

Poker

Popular Baby Names

Restaurant

Att effektivt arbeta med stora datamängder och utvinna värdefull information är en oumbärlig färdighet för varje blivande datavetare. När man arbetar med små datamängder märker man sällan hur långsam kodexekveringen kan vara. Den här kursen bygger vidare på dina kunskaper i Python och pandas-biblioteket och introducerar dig till effektiva inbyggda pandas-funktioner som utför uppgifter snabbare. Pandas inbyggda funktioner gör det möjligt att hantera allt från enkla uppgifter – som att välja ut specifika poster och variabler – till mer komplexa uppgifter, som att tillämpa funktioner på grupper av poster, betydligt snabbare än Pythons vanliga metoder. När du är klar med kursen kommer du att kunna tillämpa en funktion på data baserat på ett variabelvärde, iterera igenom stora datamängder snabbt och hantera data som tillhör olika grupper på ett effektivt sätt. Du tillämpar dessa metoder på en rad verkliga datamängder, till exempel pokerhänder eller drickstips på restauranger.

Imputering av saknade värden med transform()

Create Your Free Account