Pandas Cheatsheet: Die wichtigsten Befehle, die Sie kennen sollten [2022]

Die Datenanalyse ist zu einem neuen Studiengenre geworden, und das alles dank Python. Wenn Sie ein begeisterter Datenanalyst sind, der fast ausschließlich mit Python arbeitet und die Pandas-Bibliothek verwendet, dann ist dieser Artikel genau das Richtige für Sie. Dieser Pandas-Cheatsheet wird alle wesentlichen Methoden durchgehen, die sich beim Analysieren von Daten als nützlich erweisen. Möglicherweise sind Sie auf Situationen gestoßen, in denen es schwierig ist, sich an die spezifische Syntax zu erinnern, um etwas in Pandas zu tun. Diese Pandas-Spickzettel- Befehle helfen Ihnen, sich die häufigsten Pandas-Operationen leicht zu merken und darauf zu verweisen. Wenn Sie ein Anfänger in Python und Data Science sind, können Ihnen die Data Science-Kurse von upGrad definitiv helfen, tiefer in die Welt der Daten und Analysen einzutauchen.

Verwenden des Pandas-Cheatsheets

Bevor Sie diesen Pandas-Spickzettel verwenden , sollten Sie das Pandas-Tutorial gründlich lernen und sich dann auf diesen Spickzettel beziehen, um sich daran zu erinnern und ihn zu klären. Pandas Spickzettel hilft Ihnen, schnell nach Methoden zu suchen, die Sie bereits erlernt haben, und es kann sich als nützlich erweisen, selbst wenn Sie zu einer Prüfung oder einem Vorstellungsgespräch gehen. Wir haben alle häufig in den Pandas von einem Datenanalysten verwendeten Befehle zur einfachen Erkennung gesammelt und gruppiert. In diesem Pandas-Spickzettel verwenden wir die folgende Abkürzung zur Darstellung verschiedener Objekte.

• df: Zur Darstellung eines beliebigen Pandas DataFrame-Objekts
• ser: Zur Darstellung eines beliebigen Objekts der Pandas-Serie

Sie müssen diese folgenden relevanten Bibliotheken verwenden, um die unten in diesem Artikel erwähnten Methoden zu implementieren.

• pandas als pd importieren
• importiere numpy als np

Muss gelesen werden: Pandas-Interviewfragen

1. Importieren Sie Daten aus verschiedenen Dateien

• So lesen Sie alle Daten aus einer CSV-Datei: pd.read_csv(file_name)
• So lesen Sie alle Daten aus einer Textdatei mit Trennzeichen (wie TSV): pd.read_table(file_name)
• So lesen Sie aus einer Excel-Tabelle: pd.read_excel(file_name)
• So lesen Sie Daten aus einer SQL-Datenbank: pd.read_sql(query, connectionObject)
• Abrufen der Daten aus einer JSON-formatierten Zeichenfolge oder URL: pd.read_json(jsonString)
• So übernehmen Sie den Inhalt Ihrer Zwischenablage: pd.read_clipboard()

2. Exportieren Sie DataFrames in verschiedenen Dateiformaten

• So schreiben Sie einen DataFrame in eine CSV-Datei: df.to_csv(file_name)
• So schreiben Sie einen DataFrame in eine Excel-Datei: df.to_excel(file_name)
• So schreiben Sie einen DataFrame in eine SQL-Tabelle: df.to_sql(tableName, connectionObject)
• So schreiben Sie einen DataFrame in eine Datei im JSON-Format: df.to_json(file_name)

3. Untersuchen Sie einen bestimmten Abschnitt Ihres DataFrame oder Ihrer Serie

• Um alle Informationen zu Index, Datentyp und Speicher abzurufen: df.info()
• So extrahieren Sie die ersten 'n' Zeilen Ihres DataFrame: df.head(n)
• So extrahieren Sie die letzten 'n' Zeilen Ihres DataFrame: df.tail(n)
• So extrahieren Sie die Anzahl der in Ihrem DataFrame verfügbaren Zeilen und Spalten: df.shape
• So fassen Sie die Statistiken für numerische Spalten zusammen: df.describe()
• So zeigen Sie eindeutige Werte zusammen mit ihrer Anzahl an: ser.value_counts(dropna=False)

4. Auswählen einer bestimmten Teilmenge Ihrer Daten

• Extrahieren Sie die erste Zeile: df.iloc[0,:]
• So extrahieren Sie das erste Element der ersten Spalte Ihres DataFrame: df.iloc[0,0]
• Um Spalten mit dem Label 'col' als Series zurückzugeben: df[col]
• So geben Sie Spalten mit einem neuen DataFrame zurück: df[[col1,col2]]
• So wählen Sie Daten nach Position aus: ser.iloc[0]
• So wählen Sie Daten nach Index aus: ser.loc['index_one']

5. Datenreinigungsbefehle

• Spalten massenweise umbenennen: df.rename(columns = lambda x: x + 1)
• Spalten selektiv umbenennen: df.rename(columns = {'oldName': 'newName'})
• Um den Index in Massen umzubenennen: df.rename(index = lambda x: x + 1)
• Um Spalten der Reihe nach umzubenennen: df.columns = ['x', 'y', 'z']
• Um zu überprüfen, ob Nullwerte vorhanden sind, wird ein entsprechendes boolesches Array zurückgegeben: pd.isnull()
• Die Umkehrung von pd.isnull(): pd.notnull()
• Löscht alle Zeilen, die Nullwerte enthalten: df.dropna()
• Löscht alle Spalten, die Nullwerte enthalten: df.dropna(axis=1)
• Um jeden Nullwert durch 'n' zu ersetzen: df.fillna(n)
• Um alle Datentypen der Serie in Float umzuwandeln: ser.astype(float)
• Um alle nummerierten 1 durch 'eins' und 3 durch 'drei' zu ersetzen: ser.replace([1,2], ['one','two'])

Lesen Sie auch: Pandas Dataframe Astype

6. Daten gruppieren, sortieren und filtern

• So geben Sie ein Groupby-Objekt für Spaltenwerte zurück: df.groupby(colm)
• Groupby-Objekt für mehrere Spaltenwerte zurückgeben: df.groupby([colm1, colm2])
• So sortieren Sie Werte in aufsteigender Reihenfolge (nach Spalte): df.sort_values(colm1)
• So sortieren Sie Werte in absteigender Reihenfolge (nach Spalte): df.sort_values(colm2, ascending=False)
• Zeilen extrahieren, bei denen der Spaltenwert größer als 0,6 ist: df[df[Spalte] > 0,6]

7. Sonstiges

• Fügen Sie die Zeilen des ersten DataFrame am Ende des zweiten DataFrame hinzu: df1.append(df2)
• Fügen Sie die Spalten des ersten DataFrame am Ende des zweiten DataFrame hinzu: pd.concat([df1,df2],axis=1)
• So geben Sie den Mittelwert aller Spalten zurück: df.mean()
• So geben Sie die Anzahl der Nicht-Null-Werte zurück: df.count()

Fazit

Diese Pandas-Spickzettel sind nur für den schnellen Abruf nützlich. Es ist immer ein guter Ansatz, die Befehle zu üben, bevor Sie direkt in den Pandas-Spickzettel springen .

Wenn Sie neugierig sind, mehr über Pandas zu erfahren, schauen Sie sich das Executive PG Program in Data Science von IIIT-B & upGrad an, das für Berufstätige entwickelt wurde und mehr als 10 Fallstudien und Projekte, praktische Workshops, Mentoring mit Branchenexperten, 1- on-1 mit Mentoren aus der Branche, mehr als 400 Stunden Lern- und Jobunterstützung bei Top-Unternehmen.