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() ile skaler değerleri değiştir

Skaler değerleri değiştirme I

Skaler değerleri değiştir II

Listeler kullanarak değerleri değiştir

Birden çok değeri değiştir I

Birden çok değeri değiştirme II

Sözlükler kullanarak değerleri değiştir

Tekil değerleri değiştir I

Tekil değerleri değiştir II

Birden çok değeri değiştir III

Skaler değiştirme için en verimli yöntem

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.

Looping using the .iterrows() function

Create a generator for a pandas DataFrame

The iterrows() function for looping

Looping using the .apply() function

.apply() function in every cell

.apply() for rows iteration

Vectorization over pandas series

Why vectorization in pandas is so fast?

pandas vectorization in action

Vectorization with NumPy arrays using .values()

Best method of vectorization

Vectorization methods for looping a DataFrame

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.

Skaler değiştirme için en verimli yöntem

pandas ile Verimli Kod Yazma

Uygulamalı interaktif egzersiz