This chapter will give you an overview of why efficient code matters and selecting specific and random rows and columns efficiently.

The need for efficient coding I

What does time.time() measure?

Measuring time I

Measuring time II

Locate rows: .iloc[] and .loc[]

Row selection: loc[] vs iloc[]

Column selection: .iloc[] vs by name

Select random rows

Random row selection

Random column selection

Selecting columns and rows efficiently

This chapter shows the usage of the replace() function for replacing one or multiple values using lists and dictionaries. 

Replace scalar values using .replace()

Replacing scalar values I

Replace scalar values II

Replace values using lists

Replace multiple values I

Replace multiple values II

Replace values using dictionaries

Replace single values I

Replace single values II

Replace multiple values III

Most efficient method for scalar replacement

Replacing values in a DataFrame

This chapter presents different ways of iterating through a Pandas DataFrame and why vectorization is the most efficient way to achieve it.

`.iterrows()` fonksiyonunu kullanarak döngü kurma

pandas DataFrame için bir üreteç oluştur

Döngü için iterrows() fonksiyonu

.apply() fonksiyonunu kullanarak döngü kurma

.apply() fonksiyonu her hücrede

.apply() ile satırlarda yineleme

pandas serileri üzerinde vektörleştirme

pandas'ta vektörleştirme neden bu kadar hızlı?

pandas vektörleştirmenin uygulaması

NumPy dizileriyle .values() kullanarak vektörleştirme

En iyi vektörleştirme yöntemi

Bir DataFrame üzerinde döngü kurmak için vektörleştirme yöntemleri

Efficient iterating

This chapter describes the groupby() function and how we can use it to transform values in place, replace missing values and apply complex functions group-wise. 

Data transformation using .groupby().transform

The min-max normalization using .transform()

Transforming values to probabilities

Validation of normalization

When to use transform()?

Missing value imputation using transform()

Identifying missing values

Missing value imputation

Data filtration using the filter() function

When to use filtration?

Data filtration

Congratulations!

Data manipulation using .groupby()

Poker

Popular Baby Names

Restaurant

Büyük veri kümeleriyle verimli çalışıp değerli bilgiler çıkarmak, her veri bilimi adayının vazgeçilmez bir aracıdır. Az miktarda veride çalışırken, kodun ne kadar yavaş çalışabileceğini çoğu zaman fark etmeyiz. Bu kurs, Python ve pandas kütüphanesi bilgin üzerine inşa ederek, görevleri daha hızlı yapmanı sağlayan pandas’ın verimli yerleşik fonksiyonlarını tanıtacak. Pandas’ın yerleşik fonksiyonları, veriden belirli kayıt ve özellikleri seçmek gibi en basit işlerden, kayıt grupları üzerinde fonksiyonlar uygulamak gibi en karmaşık işlere kadar, Python’un alışılmış yöntemlerinden çok daha hızlı ilerlemeni sağlar. Kursun sonunda, bir özelliğin değerine göre veriye fonksiyon uygulayabilecek, büyük veri kümeleri üzerinde hızla yineleme yapabilecek ve farklı gruplara ait verileri verimli biçimde dönüştürebileceksin. Bu yöntemleri, poker elleri veya restoran bahşişleri gibi çeşitli gerçek dünya veri kümeleri üzerinde uygulayacaksın.

Data Manipulation with pandas

Pandas'ta verimli teknikler öğrenerek Python kodunuzu optimize edin.

pandas ile Verimli Kod Yazma

Python kodunuzu optimize etmek için pandas'ta verimli teknikler öğrenin.

pandas'ta vektörleştirme neden bu kadar hızlı?

pandas ile Verimli Kod Yazma

Uygulamalı etkileşimli egzersiz