Cùng nắm vững các kiến thức nền tảng của pandas. Học cách kiểm tra DataFrame và thực hiện các thao tác cơ bản như sắp xếp hàng, trích xuất tập con và thêm cột mới.

Giới thiệu về DataFrame

Khám phá một DataFrame

Các thành phần của DataFrame

Sắp xếp và trích xuất dữ liệu

Sắp xếp các hàng

Chọn lọc cột

Chọn lọc các hàng

Chọn hàng theo biến phân loại

Cột mới

Thêm cột mới

Combo-attack!

Biến đổi DataFrame

Trong chương này, bạn sẽ tính các thống kê tóm tắt trên cột của DataFrame, và làm chủ thống kê tóm tắt theo nhóm cùng bảng trục (pivot table).

Thống kê tóm tắt

Mean và median

Tóm tắt dữ liệu ngày tháng

Tổng hợp hiệu quả

Thống kê lũy kế

Đếm

Loại bỏ bản ghi trùng lặp

Đếm biến phân loại

Thống kê tóm tắt theo nhóm

Tỷ lệ doanh số theo từng loại cửa hàng là bao nhiêu?

Tính toán với .groupby()

Nhiều thống kê gộp theo nhóm

Pivot table

Pivot theo một biến

Điền giá trị khuyết và tính tổng với pivot table

Tổng hợp DataFrame

Chỉ mục là tên hàng và cột được tăng cường sức mạnh. Học cách kết hợp chúng với cắt lát để trích xuất tập con DataFrame hiệu quả.

Chỉ mục tường minh

Thiết lập và gỡ bỏ chỉ mục

Lấy tập con với .loc[]

Thiết lập chỉ mục nhiều cấp

Sắp xếp theo giá trị chỉ mục

Cắt lát và trích chọn với .loc và .iloc

Cắt lát theo giá trị chỉ mục

Cắt lát theo cả hai chiều

Cắt lát chuỗi thời gian

Chọn theo số thứ tự hàng/cột

Làm việc với pivot table

Pivot nhiệt độ theo thành phố và năm

Trích lọc pivot table

Tính toán trên pivot table

Cắt lát và đánh chỉ mục DataFrame

Học cách trực quan hóa nội dung DataFrame, xử lý giá trị khuyết, và nhập/xuất dữ liệu từ/ra tệp CSV.

Trực quan hóa dữ liệu của bạn

Kích cỡ bơ nào phổ biến nhất?

Biến động doanh số theo thời gian

Cung và cầu của bơ

Giá bơ thường so với bơ hữu cơ

Giá trị thiếu

Tìm giá trị bị thiếu

Loại bỏ giá trị thiếu

Thay thế giá trị khuyết

Tạo DataFrame

Danh sách các dictionary

Dictionary của các list

Đọc và ghi tệp CSV

CSV sang DataFrame

DataFrame sang CSV

Tổng kết

Tạo và trực quan hóa DataFrame

You will learn to analyze data across multiple dimensions at once, enabling you to discover nuanced patterns by breaking down summaries along several categories simultaneously.

Multiple Grouping Columns

You will learn to break down summary statistics by categories, enabling you to compare metrics across different groups and discover patterns in your data.

One Grouping Column

You will learn to summarize data by calculating key statistics like totals, averages, and counts, enabling you to extract meaningful insights from raw data.

Summary Values

Data Aggregation

You will learn to handle multi-step calculations and compute percentages of totals, enabling you to build complex metrics that depend on intermediate results.

Complex Transformations

You will learn to create new columns by combining and calculating values from existing data, enabling you to derive ratios and other metrics not available in the original dataset.

Basic Transformations

Data Transformation

You will learn to extract specific rows from your data based on conditions, enabling you to focus your analysis on relevant subsets and handle missing values and text patterns.

Basic Filtering

You will learn to filter data using multiple criteria at once, enabling you to extract precisely the rows you need by combining conditions with AND and OR logic.

Multiple Conditions

You will learn to simplify complex filtering by breaking conditions into separate columns, and to extract the opposite of a filter result, making your analysis more transparent and verifiable.

Complex Filtering

Data Filtering

You will learn to apply different calculations based on specific conditions, enabling you to standardize values, classify data into categories, and handle varied scenarios within your data.

Conditional Transformation

You will learn to calculate summaries that include only values meeting specific criteria, enabling you to compute nuanced metrics like "average of delayed flights only" within each group.

Conditional Aggregation

Conditional Operations

Avocado prices

Walmart sales

Homelessness data

Temperatures

Course Glossary: Data Manipulation with pandas

pandas là thư viện Python phổ biến nhất thế giới, dùng cho mọi việc từ xử lý dữ liệu đến phân tích dữ liệu. Trong khóa học này, bạn sẽ học cách thao tác với DataFrame: trích xuất, lọc và biến đổi các tập dữ liệu thực tế để phân tích. Với pandas, bạn sẽ khám phá tất cả các khái niệm cốt lõi của khoa học dữ liệu. Dùng dữ liệu thực tế, bao gồm số liệu bán hàng của Walmart và chuỗi thời gian nhiệt độ toàn cầu, bạn sẽ học cách nhập dữ liệu, làm sạch, tính thống kê và tạo trực quan hóa — tận dụng pandas để gia tăng sức mạnh cho Python!

Các video có bản chép lời trực tiếp, bạn có thể truy cập bằng cách nhấp "Show transcript" ở góc dưới bên trái của video.

Bảng thuật ngữ của khóa học nằm bên phải trong mục tài nguyên.

Để nhận tín chỉ CPE, bạn cần hoàn thành khóa học và đạt 70% trong bài đánh giá đủ điều kiện. Bạn có thể truy cập bài đánh giá bằng cách nhấp vào mục CPE credits ở bên phải.

pandas là thư viện Python phổ biến nhất thế giới, được dùng cho mọi thứ từ thao tác dữ liệu đến phân tích dữ liệu. Trong khóa học này, với một AI Tutor bên cạnh bạn, bạn sẽ học cách thao tác DataFrames, khi bạn tổng hợp, lọc và biến đổi các bộ dữ liệu thực tế để phân tích. Với pandas, bạn sẽ khám phá tất cả các thao tác xử lý dữ liệu cốt lõi thiết yếu trong Khoa học dữ liệu.

<h2>Khám phá thao tác dữ liệu với pandas</h2>
Với khóa học này, bạn sẽ tìm hiểu lý do tại sao pandas là thư viện Python phổ biến nhất thế giới, được sử dụng cho mọi thứ từ thao tác dữ liệu đến phân tích dữ liệu. Bạn sẽ khám phá cách thao tác với DataFrame, khi bạn trích xuất, lọc và chuyển đổi các bộ dữ liệu thực tế để phân tích. 
<br><br>
Với pandas, bạn sẽ khám phá tất cả các khái niệm cốt lõi của Khoa học dữ liệu. Sử dụng dữ liệu thực tế, bao gồm số liệu bán hàng của Walmart và chuỗi thời gian nhiệt độ toàn cầu, bạn sẽ học cách nhập, làm sạch, tính toán thống kê và tạo trực quan hóa—sử dụng pandas để tăng sức mạnh cho Python.
<br><br>
<h2>Làm việc với pandas Data để Khám phá các Khái niệm Cốt lõi của Khoa học dữ liệu</h2>
Bạn sẽ bắt đầu bằng cách thành thạo các kiến thức cơ bản về pandas, bao gồm cách kiểm tra DataFrame và thực hiện một số thao tác cơ bản. Bạn cũng sẽ tìm hiểu về cách tổng hợp DataFrame, trước khi chuyển sang cắt lát và đánh chỉ mục. 
<br><br>
Bạn sẽ kết thúc khóa học bằng cách học cách trực quan hóa nội dung của các DataFrame của mình, làm việc với một bộ dữ liệu chứa doanh số bán bơ hàng tuần tại Mỹ. 
<br><br>
<h2>Học cách thao tác với DataFrame</h2>
Bằng cách hoàn thành khóa học pandas này, bạn sẽ hiểu cách sử dụng thư viện Python này để thao tác dữ liệu. Bạn sẽ hiểu về DataFrame và cách sử dụng chúng, cũng như có thể trực quan hóa dữ liệu của mình trong Python.

Intermediate Python

Khóa học này hướng dẫn cách thao tác DataFrames với pandas để phân tích dữ liệu thực tế.

Xử lý dữ liệu với pandas

Tìm hiểu cách nhập và làm sạch dữ liệu, tính toán thống kê và tạo trực quan hóa với pandas. 

Chuyên viên phân tích dữ liệu  trong Python

Xử lý dữ liệu  trong Python

Kiến thức cơ bản về dữ liệu trong Python

Data Evangelist at DataCamp

Cắt lát và chọn với .loc và .iloc

Cắt list

Sắp xếp chỉ mục trước khi cắt

Cắt cấp chỉ mục ngoài

Cắt sai cấp chỉ mục trong

Cắt đúng cấp chỉ mục trong

Cắt cột

Cắt hai lần

Ngày sinh của chó

Cắt theo ngày đầy đủ

Cắt theo ngày rút gọn

Chọn theo số hàng/cột

Ayo berlatih!

Cắt lát và đánh chỉ mục DataFrame - Cắt lát và trích chọn với .loc và .iloc

Cắt lát và trích chọn với .loc và .iloc

Create Your Free Account