Chương này cung cấp tổng quan về lý do mã hiệu quả quan trọng và cách chọn các hàng, cột cụ thể và ngẫu nhiên một cách hiệu quả.

Sự cần thiết của mã hóa hiệu quả I

time.time() đo lường gì?

Đo thời gian I

Đo thời gian II

Xác định hàng: .iloc[] và .loc[]

Chọn hàng: loc[] vs iloc[]

Chọn cột: .iloc[] so với theo tên

Chọn hàng ngẫu nhiên

Chọn cột ngẫu nhiên

Chọn cột và hàng một cách hiệu quả

Chương này minh họa cách dùng hàm replace() để thay thế một hoặc nhiều giá trị bằng danh sách và từ điển.

Thay thế giá trị vô hướng bằng .replace()

Thay thế giá trị vô hướng I

Thay thế giá trị vô hướng II

Thay thế giá trị bằng danh sách

Thay thế nhiều giá trị I

Thay thế nhiều giá trị II

Thay thế giá trị bằng dictionary

Thay thế giá trị đơn I

Thay thế giá trị đơn lẻ II

Thay thế nhiều giá trị III

Phương pháp hiệu quả nhất để thay thế vô hướng (scalar)

Thay thế giá trị trong DataFrame

Chương này trình bày các cách khác nhau để lặp qua một Pandas DataFrame và lý do vectorization là cách hiệu quả nhất để thực hiện điều đó.

Lặp với hàm .iterrows()

Tạo một generator cho pandas DataFrame

Hàm iterrows() để lặp

Lặp bằng hàm .apply()

Hàm .apply() trên mọi ô

.apply() để lặp theo hàng

Vector hóa trên series của pandas

Tại sao vectorization trong pandas lại nhanh đến vậy?

Vector hóa pandas trong thực tiễn

Vector hóa với mảng NumPy bằng .values()

Phương pháp vector hóa tốt nhất

Các phương pháp vector hóa để lặp qua DataFrame

Lặp hiệu quả

Chương này mô tả hàm groupby() và cách chúng ta có thể dùng nó để biến đổi giá trị tại chỗ, thay thế giá trị khuyết và áp dụng các hàm phức tạp theo từng nhóm.

Biến đổi dữ liệu với .groupby().transform

Chuẩn hóa min-max bằng .transform()

Biến đổi giá trị thành xác suất

Xác thực việc chuẩn hóa

Khi nào nên dùng transform()?

Bù giá trị thiếu bằng transform()

Nhận diện giá trị khuyết

Bổ sung giá trị khuyết

Lọc dữ liệu bằng hàm filter()

Khi nào nên dùng lọc (filtration)?

Lọc dữ liệu

Chúc mừng bạn!

Thao tác dữ liệu với .groupby()

Poker

Popular Baby Names

Restaurant

Khả năng làm việc hiệu quả với các tập dữ liệu lớn và trích xuất thông tin giá trị là công cụ không thể thiếu cho mọi nhà khoa học dữ liệu tương lai. Khi làm việc với lượng dữ liệu nhỏ, chúng ta thường không nhận ra việc thực thi mã có thể chậm như thế nào. Khóa học này sẽ xây dựng dựa trên kiến thức Python và thư viện pandas của bạn, đồng thời giới thiệu các hàm tích hợp hiệu quả trong pandas để thực hiện tác vụ nhanh hơn. Các hàm tích hợp của pandas cho phép bạn xử lý từ những việc đơn giản nhất, như chọn các mục và thuộc tính cụ thể trong dữ liệu, đến những việc phức tạp hơn, như áp dụng hàm theo nhóm bản ghi, nhanh hơn nhiều so với các cách thông thường trong Python. Kết thúc khóa học, bạn sẽ có thể áp dụng một hàm lên dữ liệu dựa trên giá trị của thuộc tính, lặp qua các tập dữ liệu lớn một cách nhanh chóng, và thao tác dữ liệu thuộc nhiều nhóm khác nhau một cách hiệu quả. Bạn sẽ áp dụng các phương pháp này trên nhiều tập dữ liệu thực tế, như bộ bài poker hoặc tiền tip tại nhà hàng.

Data Manipulation with pandas

Học kỹ thuật hiệu quả trong pandas để tối ưu hóa mã Python của bạn.

Viết mã hiệu quả với pandas

Khi nào nên dùng lọc (filtration)?

Viết mã hiệu quả với pandas

Bài tập tương tác thực hành