Ściągawka Pandy: Najważniejsze polecenia, które powinieneś wiedzieć [2022]

Analiza danych stała się nowym gatunkiem nauki, a wszystko to dzięki Pythonowi. Jeśli jesteś entuzjastą analityka danych, który pracuje w Pythonie, prawie całkowicie korzystasz z biblioteki Pandas, ten artykuł jest dla Ciebie. Ta ściągawka Pandy zawiera wszystkie niezbędne metody, które przydają się podczas analizy danych. Być może napotkałeś sytuacje, w których trudno jest zapamiętać konkretną składnię robienia czegoś w Pandach. Te polecenia dotyczące ściągawek Pandy pomogą Ci łatwo zapamiętać i odnieść się do najczęstszych operacji Pand. Jeśli jesteś początkującym w Pythonie i nauce o danych, kursy data science w upGrad z pewnością pomogą Ci głębiej zagłębić się w świat danych i analityki.

Korzystanie ze ściągawki Pandy

Przed użyciem tej ściągawki Pandy , powinieneś dokładnie zapoznać się z Samouczkiem Pand , a następnie zapoznać się z tą ściągawką, aby zapamiętać i wyczyścić. Ściągawka Pandy pomoże Ci szybko znaleźć metody, których już się nauczyłeś i może się przydać, nawet jeśli idziesz na egzamin lub rozmowę kwalifikacyjną. Zebraliśmy i pogrupowaliśmy wszystkie polecenia często używane w Pandach przez analityka danych, aby ułatwić ich wykrycie. W tej ściągawce Pandy użyjemy następującego skrótu do przedstawiania różnych obiektów.

• df: Do reprezentowania dowolnego obiektu Pandas DataFrame
• ser: Do reprezentowania dowolnego obiektu z serii Pandas

Aby wdrożyć metody wymienione poniżej w tym artykule, należy użyć następujących odpowiednich bibliotek.

• importuj pandy jako PD
• importuj numer jako np

Musisz przeczytać: Pytania do wywiadu z Pandami

1. Importuj dane z różnych plików

• Aby odczytać wszystkie dane z pliku CSV: pd.read_csv(nazwa_pliku)
• Aby odczytać wszystkie dane z rozdzielanego pliku tekstowego (np. TSV): pd.read_table(nazwa_pliku)
• Aby odczytać z arkusza Excela: pd.read_excel(nazwa_pliku)
• Aby odczytać dane z bazy danych SQL: pd.read_sql(query, connectionObject)
• Pobieranie danych z ciągu znaków w formacie JSON lub adresu URL: pd.read_json(jsonString)
• Aby pobrać zawartość schowka: pd.read_clipboard()

2. Eksportuj DataFrames w różnych formatach plików

• Aby zapisać DataFrame do pliku CSV: df.to_csv(nazwa_pliku)
• Aby zapisać DataFrame do pliku Excel: df.to_excel(nazwa_pliku)
• Aby zapisać DataFrame do tabeli SQL: df.to_sql(nazwa_tabeli, obiekt połączenia)
• Aby zapisać DataFrame do pliku w formacie JSON: df.to_json(nazwa_pliku)

3. Sprawdź konkretną sekcję ramki DataFrame lub serii

• Aby pobrać wszystkie informacje związane z indeksem, typem danych i pamięcią: df.info()
• Aby wyodrębnić początkowe „n” wierszy z ramki DataFrame: df.head(n)
• Aby wyodrębnić końcowe „n” wierszy z ramki DataFrame: df.tail(n)
• Aby wyodrębnić liczbę wierszy i kolumn dostępnych w ramce DataFrame: df.shape
• Podsumowując statystyki dla kolumn liczbowych: df.describe()
• Aby wyświetlić unikalne wartości wraz z ich liczbą: ser.value_counts(dropna=False)

4. Wybór określonego podzbioru danych

• Wyodrębnij pierwszy wiersz: df.iloc[0,:]
• Aby wyodrębnić pierwszy element z pierwszej kolumny DataFrame: df.iloc[0,0]
• Aby zwrócić kolumny z etykietą „col” jako Seria: df[col]
• Aby zwrócić kolumny z nową ramką DataFrame: df[[kol1,kol2]]
• Aby wybrać dane według pozycji: ser.iloc[0]
• Aby wybrać dane według indeksu: ser.loc['index_one']

5. Polecenia czyszczenia danych

• Aby zmienić nazwy kolumn w masach: df.rename(columns = lambda x: x + 1)
• Aby selektywnie zmienić nazwy kolumn: df.rename(columns = {'oldName': 'newName'})
• Aby zmienić nazwę indeksu w masach: df.rename(index = lambda x: x + 1)
• Aby zmienić nazwy kolumn w kolejności: df.columns = ['x', 'y', 'z']
• Aby sprawdzić, czy istnieją wartości null, zwraca odpowiednio tablicę logiczną: pd.isnull()
• Odwrotność funkcji pd.isnull(): pd.notnull()
• Usuwa wszystkie wiersze zawierające wartości null: df.dropna()
• Usuwa wszystkie kolumny zawierające wartości null: df.dropna(axis=1)
• Aby zastąpić każdą wartość pustą 'n': df.fillna(n)
• Aby przekonwertować wszystkie typy danych serii na float: ser.astype(float)
• Aby zastąpić wszystkie cyfry 1 przez 'jeden' i 3 przez 'trzy': ser.replace([1,2], ['jeden','dwa'])

Przeczytaj także: Pandas Dataframe Astype

6. Grupuj, sortuj i filtruj dane

• Aby zwrócić obiekt groupby dla wartości kolumn: df.groupby(colm)
• Aby zwrócić obiekt groupby dla wielu wartości kolumn: df.groupby([kolumna1, kolumna2])
• Aby posortować wartości w kolejności rosnącej (według kolumny): df.sort_values(colm1)
• Aby posortować wartości w kolejności malejącej (według kolumny): df.sort_values(colm2, ascending=False)
• Wyodrębnij wiersze, w których wartość kolumny jest większa niż 0,6: df[df[kolumna] > 0,6]

7. Inne

• Dodaj wiersze pierwszej ramki DataFrame na końcu drugiej ramki DataFrame: df1.append(df2)
• Dodaj kolumny pierwszej ramki DataFrame na końcu drugiej ramki DataFrame: pd.concat([df1,df2],axis=1)
• Aby zwrócić średnią wszystkich kolumn: df.mean()
• Aby zwrócić liczbę wartości innych niż null: df.count()

Wniosek

Te ściągawki Pandy będą przydatne tylko do szybkiego przywołania. Zawsze dobrze jest przećwiczyć komendy przed bezpośrednim przejściem do ściągawki Pandy .

Jeśli chcesz dowiedzieć się czegoś o Pandach, sprawdź program Executive PG w dziedzinie Data Science IIIT-B i upGrad, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami branżowymi, 1- on-1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.