本章將說明為何高效程式碼很重要，並示範如何有效率地選取特定與隨機的列與欄。

為什麼需要有效率的程式撰寫 I

time.time() 量測的是什麼？

測量時間 I

測量時間 II

定位列：.iloc[] 與 .loc[]

列選取：loc[] 與 iloc[]

欄位選取：.iloc[] 與欄名比較

選取隨機列

隨機選取列

隨機選取欄位

高效選取欄與列

本章示範如何使用 replace() 函式，透過清單與字典來取代一個或多個值。

使用 .replace() 取代純量值

取代純量值 I

取代純量值 II

使用清單取代數值

同時取代多個值 I

一次替換多個值 II

使用字典取代值

取代單一值 I

取代單一值 II

一次取代多個值 III

純量取代的最高效方法

在 DataFrame 中取代值

本章介紹多種遍歷 Pandas DataFrame 的方式，並說明為何向量化是最有效率的作法。

使用 .iterrows() 函式進行迭代

為 pandas DataFrame 建立一個產生器

用 iterrows() 進行迴圈

使用 .apply() 函式進行迴圈處理

.apply() 函式套用到每個儲存格

.apply() 逐列迭代

對 pandas Series 進行向量化

為什麼在 pandas 中向量化這麼快？

pandas 向量化實戰

使用 .values() 的 NumPy 陣列向量化

最佳向量化方法

針對 DataFrame 迴圈的向量化方法

高效迭代

本章說明 groupby() 函式，以及如何用它就地轉換數值、取代遺漏值，並對各群組套用複雜函式。

使用 .groupby().transform 進行資料轉換

使用 .transform() 進行最小-最大正規化

將數值轉換成機率

常態化的驗證

何時使用 transform（）？

使用 transform() 進行遺漏值插補

找出遺漏值

遺漏值插補

使用 filter() 函式進行資料過濾

什麼時候該使用過濾（filtration）？

資料篩選

恭喜！

使用 .groupby() 進行資料操作

Poker

Popular Baby Names

Restaurant

能有效處理大型資料集並萃取有用資訊，是每位準資料科學家不可或缺的能力。當資料量不大時，我們往往不會意識到程式執行其實可能很慢。本課程會在你既有的 Python 與 pandas 函式庫基礎上，帶你認識 pandas 內建的高效函式，讓各種工作執行得更快。Pandas 的內建函式能讓你從最簡單的任務（例如從資料中選取特定項目與特徵）到更複雜的任務（例如對分組資料套用函式）都比一般 Python 作法更有效率。完成本課程後，你將能根據特徵值對資料套用函式、快速遍歷大型資料集，並高效處理不同群組的資料。你會把這些方法應用在各種真實世界的資料集上，例如撲克牌手牌或餐廳小費資料。

使用 .apply() 函式進行迴圈處理

Create Your Free Account