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

Verimli kodlamaya neden ihtiyaç var I

time.time() neyi ölçer?

Zaman ölçümü I

Zaman ölçümü II

Satırları bul: .iloc[] ve .loc[]

Satır seçimi: loc[] vs iloc[]

Sütun seçimi: .iloc[] ve ada göre

Rastgele satırları seç

Rastgele satır seçimi

Rastgele sütun seçimi

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.

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.

Satırları bul: .iloc[] ve .loc[]

Create Your Free Account