Pandas Cheatsheet: 알아야 할 주요 명령 [2022]

데이터 분석은 새로운 연구 장르가 되었으며 모두 Python 덕분입니다. Python에서 작업하는 열광적인 데이터 분석가라면 Pandas 라이브러리를 거의 절대적으로 사용합니다. 이 기사는 당신을 위한 것입니다. 이 Pandas 치트시트 는 데이터를 분석하는 동안 유용한 모든 필수 방법을 살펴봅니다. Pandas에서 작업을 수행하기 위한 특정 구문을 기억하기 어려운 상황에 직면했을 수 있습니다. 이 Pandas 치트 시트 명령은 가장 일반적인 Pandas 작업을 쉽게 기억하고 참조하는 데 도움이 됩니다. 파이썬과 데이터 과학의 초보자라면 upGrad의 데이터 과학 과정은 확실히 데이터와 분석의 세계로 더 깊이 들어가는 데 도움이 될 것입니다.

판다스 치트시트 사용하기

이 Pandas 치트 시트 를 사용하기 전에 Pandas Tutorial을 철저히 배우고 기억하고 정리하기 위해 이 치트 시트를 참조해야 합니다. 판다스 치트 시트 는 이미 배운 방법을 빠르게 찾는 데 도움이 되며 시험이나 면접을 보러 가는 경우에도 유용할 수 있습니다. 데이터 분석가가 Pandas에서 자주 사용하는 모든 명령을 수집하고 그룹화하여 쉽게 감지할 수 있도록 했습니다. 이 Pandas 치트 시트 에서는 다양한 객체를 나타내기 위해 다음과 같은 약어를 사용할 것입니다.

• df: Pandas DataFrame 객체를 나타내기 위해
• ser: Pandas Series 객체를 나타내기 위해

이 문서에서 아래에 언급된 방법을 구현하려면 다음과 같은 관련 라이브러리를 사용해야 합니다.

• pandas를 pd로 가져오기
• numpy를 np로 가져오기

필독: 팬더 인터뷰 질문

1. 다른 파일에서 데이터 가져오기

• CSV 파일에서 모든 데이터를 읽으려면: pd.read_csv(file_name)
• 구분된 텍스트 파일(예: TSV)에서 모든 데이터를 읽으려면: pd.read_table(file_name)
• Excel 시트에서 읽으려면: pd.read_excel(file_name)
• SQL 데이터베이스에서 데이터를 읽으려면: pd.read_sql(query, connectionObject)
• JSON 형식의 문자열 또는 URL에서 데이터 가져오기: pd.read_json(jsonString)
• 클립보드의 내용을 가져오려면: pd.read_clipboard()

2. 다양한 파일 형식으로 DataFrame 내보내기

• DataFrame을 CSV 파일에 쓰려면: df.to_csv(file_name)
• DataFrame을 Excel 파일에 쓰려면: df.to_excel(file_name)
• DataFrame을 SQL 테이블에 쓰려면: df.to_sql(tableName, connectionObject)
• JSON 형식의 파일에 DataFrame을 쓰려면: df.to_json(file_name)

3. DataFrame 또는 Series의 특정 섹션 검사

• 인덱스, 데이터 유형 및 메모리와 관련된 모든 정보를 가져오려면: df.info()
• DataFrame의 시작 'n' 행을 추출하려면: df.head(n)
• DataFrame의 끝 'n' 행을 추출하려면: df.tail(n)
• DataFrame에서 사용 가능한 행과 열 수를 추출하려면: df.shape
• 숫자 열에 대한 통계 요약: df.describe()
• 고유 값을 카운트와 함께 보려면 ser.value_counts(dropna=False)

4. 데이터의 특정 하위 집합 선택

• 첫 번째 행 추출: df.iloc[0,:]
• DataFrame의 첫 번째 열의 첫 번째 요소를 추출하려면: df.iloc[0,0]
• 레이블이 'col'인 열을 시리즈로 반환하려면: df[col]
• 새 DataFrame이 있는 열을 반환하려면: df[[col1,col2]]
• 위치별로 데이터를 선택하려면: ser.iloc[0]
• 인덱스로 데이터를 선택하려면: ser.loc['index_one']

5. 데이터 정리 명령

• 열의 이름을 대량으로 바꾸려면: df.rename(columns = lambda x: x + 1)
• 열의 이름을 선택적으로 바꾸려면: df.rename(columns = {'oldName': 'newName'})
• 인덱스 이름을 대량으로 바꾸려면: df.rename(index = lambda x: x + 1)
• 열 이름을 순서대로 바꾸려면: df.columns = ['x', 'y', 'z']
• null 값이 존재하는지 확인하려면 그에 따라 부울 배열을 반환합니다. pd.isnull()
• pd.isnull()의 반대: pd.notnull()
• null 값을 포함하는 모든 행 삭제: df.dropna()
• null 값을 포함하는 모든 열 삭제: df.dropna(axis=1)
• 각 null 값을 'n'으로 바꾸려면: df.fillna(n)
• 시리즈의 모든 데이터 유형을 float로 변환하려면: ser.astype(float)
• 번호가 매겨진 1을 모두 '1'로, 3을 '3'으로 바꾸려면: ser.replace([1,2], ['one','two'])

또한 읽기: Pandas Dataframe Astype

6. 데이터 그룹화, 정렬 및 필터링

• 열 값에 대한 groupby 객체를 반환하려면: df.groupby(colm)
• 여러 열 값에 대해 groupby 객체를 반환하려면: df.groupby([colm1, colm2])
• 값을 오름차순으로 정렬하려면(열 기준): df.sort_values(colm1)
• 값을 내림차순으로 정렬하려면(열 기준): df.sort_values(colm2, ascending=False)
• 열 값이 0.6보다 큰 행 추출: df[df[colm] > 0.6]

7. 기타

• 첫 번째 DataFrame의 행을 두 번째 DataFrame의 끝에 추가합니다. df1.append(df2)
• 첫 번째 DataFrame의 열을 두 번째 DataFrame의 끝에 추가합니다. pd.concat([df1,df2],axis=1)
• 모든 열의 평균을 반환하려면: df.mean()
• null이 아닌 값의 수를 반환하려면: df.count()

결론

이 Pandas 치트 시트 는 빠른 회수에만 유용합니다. Pandas 치트 시트 에 직접 뛰어들기 전에 항상 명령을 연습하는 것이 좋습니다 .

Pandas에 대해 자세히 알고 싶으시면 일하는 전문가를 위해 만들어졌으며 10개 이상의 사례 연구 및 프로젝트, 실용적인 실습 워크샵, 업계 전문가와의 멘토링, 1- 업계 멘토와 일대일, 400시간 이상의 학습 및 최고의 기업과의 취업 지원.