Pandas Cheat Sheet pentru Data Science în Python
Evelyn Clarke
⚡ Rezumat inteligent
Fișele informative Pandas condensează cele mai utilizate comenzi ale bibliotecii într-o singură pagină. Această referință le grupează în funcție de sarcină: instalare, construire de serii și DataFrame-uri, importul de fișiere, selectarea rândurilor, curățarea datelor, aplicarea funcțiilor și exportarea rezultatelor.
Ce este o fișă informativă despre Pandas?
Biblioteca Pandas conține sute de funcții, însă doar un mic subset apare în munca de zi cu zi. A Fișă de cheat cu panda este o referință de o pagină care listează acele comenzi, grupate după sarcina pe care o îndeplinesc.
Acoperă structurile Series și DataFrame, importul și exportul fișierelor, selectarea și ordonarea datelor, curățarea valorilor și aplicarea funcțiilor. Fiecare secțiune de mai jos conține o scurtă explicație cu cod rulabil, astfel încât pagina servește și ca o reîmprospătare a informațiilor. abilități de analiză a datelor.
👉 Descărcați PDF-ul Cheat Sheet aici
Cum se instalează și se importă Pandas
Două comenzi configurează Pandas și ambele rulează într-un terminal sau într-un Jupyter Blocnotes celulă.
Pasul 1) Instalați Pandas
Executați această comandă o dată per mediu; adăugați un semn de exclamare înainte de aceasta într-o celulă a blocnotesului.
pip install pandas
Pasul 2) Importați fișiere Panda
Importați pachetul sub aliasul pd, lucru pe care îl presupune fiecare exemplu de aici.
import pandas as pd
Acum puteți apela funcții Pandas pentru a manipula, analiza și curăța date. Secțiunile de mai jos le listează în ordinea în care le accesați în mod normal.
Structuri de date Pandas
Pandas are două structuri de date, serie și DataFrameAmbele sunt etichetate ca tablouri și ambele pot conține orice tip de date. Singura diferență este dimensionalitatea: o serie este un tablou unidimensional, iar un DataFrame este un tablou bidimensional construit din NumPy matricele dedesubt.
| Caracteristică | serie | DataFrame |
|---|---|---|
| Dimensiuni | Unidimensional | Bidimensional |
| Susține | O singură coloană etichetată | Multe coloane, tipuri de date mixte |
| Constructor | pd.Series() | pd.DataFrame() |
1. Seria
Este o matrice etichetată unidimensională. Poate conține orice tip de date și None devine o valoare lipsă.
s = pd.Series([2, -4, 6, 3, None], index=['A', 'B', 'C', 'D', 'E'])
2. DataFrame
Este o matrice etichetată bidimensională. Poate conține orice tip de date și coloane de diferite dimensiuni.
data = {'RollNo' : [101, 102, 75, 99],
'Name' : ['Mithlesh', 'Ram', 'Rudra', 'Mithlesh'],
'Course' : ['Nodejs', None, 'Nodejs', 'JavaScript']
}
df = pd.DataFrame(data, columns=['RollNo', 'Name', 'Course'])
df.head()
Fișa informativă imprimabilă de mai jos colectează aceleași comenzi pe o singură pagină.
Importul datelor
Pandas poate citi multe tipuri de fișiere direct într-un DataFrame. Fiecare cititor de mai jos returnează unul și read_csv () este cel mai utilizat.
# Import a CSV file pd pd.read_csv(filename) # Import a TSV file pd.read_table(filename) # Import a Excel file pd pd.read_excel(filename) # Import a SQL table/database pd.read_sql(query, connection_object) # Import a JSON file pd.read_json(json_string) # Import a HTML file pd.read_html(url) # From clipboard to read_table() pd.read_clipboard() # From dict pd.DataFrame(dict)
Selecţie
Puteți selecta elemente după locația lor sau după eticheta indexului lor. Aceeași sintaxă a parantezelor drepte alege rânduri, coloane și felii din ambele structuri.
1. Seria
# Accessing one element from Series s['D'] # Accessing all elements between two given indices s['A':'C'] # Accessing all elements from starting till given index s[:'C'] # Accessing all elements from given index till end s['B':]
2. DataFrame
# Accessing one column df df['Name'] # Accessing rows from after given row df[1:] # Accessing till before given row df[:1] # Accessing rows between two given rows df[1:2]
Selectarea prin indexare booleană și setare
Utilizare iloc și iat pentru poziții întregi și loc și at pentru etichete.
1. După poziție
df.iloc[0, 1] df.iat[0, 1]
2. După Etichetă
df.loc[[0], ['Name']]
3. După Etichetă/Poziție
df.loc[2] # Both are same
df.iloc[2]
4. Indexare booleană
O mască booleană păstrează doar rândurile în care condiția este True. Al doilea exemplu adaugă operatorul NOT ~, deci returnează și valori care nu sunt mai mari de 1.
# Series s where value is > 1 s[(s > 0)] # Series s where value is <-2 or >1 s[(s < -2) | ~(s > 1)] # Use filter to adjust DataFrame df[df['RollNo']>100] # Set index a of Series s to 6 s['D'] = 10 s.head()
Curatarea datelor
Pentru Python În scopul curățării datelor, puteți efectua următoarele operațiuni:
- Redenumiți coloanele folosind
rename()metodă. - Actualizați valorile folosind
at[]oriat[]metodă de accesare și modificare a unor elemente specifice. - Creați o copie a unei serii sau a unui DataFrame folosind
copy()metodă. - Verificați valorile NULL folosind
isnull()și plasați-le folosind metodadropna()metodă. - Verificați dacă există valori duplicate folosind
duplicated()metoda. Aruncați-le folosinddrop_duplicates()metodă. - Înlocuiți valorile NULL folosind
fillna()metodă cu o valoare specificată. - Înlocuiți valorile folosind
replace()metodă. - Sortează valorile folosind
sort_values()metodă. - Clasificați valorile folosind
rank()metodă.
# Renaming columns df.columns = ['a','b','c'] df.head() # Mass renaming of columns df = df.rename(columns={'RollNo': 'ID', 'Name': 'Student_Name'}) # Or use this edit in same DataFrame instead of in copy df.rename(columns={'RollNo': 'ID', 'Name': 'Student_Name'}, inplace=True) df.head() # Counting duplicates in a column df.duplicated(subset='Name') # Removing entire row that has duplicate in given column df.drop_duplicates(subset=['Name']) # You can choose which one keep - by default is first df.drop_duplicates(subset=['Name'], keep='last') # Checks for Null Values s.isnull() # Checks for non-Null Values - reverse of isnull() s.notnull() # Checks for Null Values df df.isnull() # Checks for non-Null Values - reverse of isnull() df.notnull() # Drops all rows that contain null values df.dropna() # Drops all columns that contain null values df.dropna(axis=1) # Replaces all null values with 'Guru99' df.fillna('Guru99') # Replaces all null values with the mean s.fillna(s.mean()) # Converts the datatype of the Series to float s.astype(float) # Replaces all values equal to 6 with 'Six' s.replace(6,'Six') # Replaces all 2 with 'Two' and 6 with 'Six' s.replace([2,6],['Two','Six']) # Drop from rows (axis=0) s.drop(['B', 'D']) # Drop from columns(axis=1) df.drop('Name', axis=1) # Sort by labels with axis df.sort_index() # Sort by values with axis df.sort_values(by='RollNo') # Ranking entries df.rank() # s1 is pointing to same Series as s s1 = s # s_copy of s, but not pointing same Series s_copy = s.copy() # df1 is pointing to same DataFrame as df df1 = s # df_copy of df, but not pointing same DataFrame df_copy = df.copy()
Rețineți că s1 = s creează doar un al doilea nume pentru același obiect, niciodată o copie — de aceea copy() îl urmează.
Preluarea informațiilor
Puteți efectua următoarele operațiuni pentru a recupera informații:
- Folosește
shapeatribut pentru a obține numărul de rânduri și coloane. - Folosește
head()ortail()metodă pentru a obține primele sau ultimele rânduri ca eșantion. - Folosește
info(),describe()ordtypesmetodă de obținere a informațiilor despre tipul de date, numărător, medie, deviație standard, valori minime și maxime. - Folosește
count(),min(),max(),sum(),mean()șimedian()metode de obținere a informațiilor statistice specifice pentru valori. - Folosește
loc[]metodă de obținere a unui rând. - Folosește
groupby()metodă de aplicare a funcției GROUP BY pentru a grupa valori similare într-o coloană a unui DataFrame.
1. Informatii de baza
# Counting all elements in Series len(s) # Counting all elements in DataFrame len(df) # Prints number of rows and columns in dataframe df.shape # Prints first 10 rows by default, if no value set df.head(10) # Prints last 10 rows by default, if no value set df.tail(10) # For counting non-Null values column-wise df.count() # For range of index df df.index # For name of attributes/columns df.columns # Index, Data Type and Memory information df.info() # Datatypes of each column df.dtypes # Summary statistics for numerical columns df.describe()
2. Rezumat
# For adding all values column-wise df.sum() # For min column-wise df.min() # For max column-wise df.max() # For mean value in number column df.mean() # For median value in number column df.median() # Count non-Null values s.count() # Count non-Null values df.count() # Return Series of given column df['Name'].tolist() # Name of columns df.columns.tolist() # Creating subset df[['Name', 'Course']] # Return number of values in each group df.groupby('Name').count()
Aplicarea Funcțiilor
apply() împinge o funcție peste fiecare valoare. Regulile de aliniere decid apoi ce se întâmplă când două obiecte au în comun doar o parte din indexul lor.
# Define function f = lambda x: x*5 # Apply this function on given Series - For each value s.apply(f) # Apply this function on given DataFrame - For each value df.apply(f)
1. Alinierea internă a datelor
# NA values for indices that don't overlap s2 = pd.Series([8, -1, 4], index=['A', 'C', 'D']) s + s2
2. Aritmetica Operacu metode de umplere
# Fill values that don't overlap
s.add(s2, fill_value=0)
3. Filtrați, sortați și grupați după
Aceste funcții pot fi folosite pentru filtrare, sortare și grupareping Obiecte Series și DataFrame.
# Filter rows where column is greater than 100 df[df['RollNo']>100] # Filter rows where 70 < column < 101 df[(df['RollNo'] > 70) & (df['RollNo'] < 101)] # Sorts values in ascending order s.sort_values() # Sorts values in descending order s.sort_values(ascending=False) # Sorts values by RollNo in ascending order df.sort_values('RollNo') # Sorts values by RollNo in descending order df.sort_values('RollNo', ascending=False)
Exportarea datelor
Fiecare scriitor de mai jos oglindește un cititor din secțiunea de import, astfel încât un fișier poate face călătoria dus-întors fără instrumente suplimentare.
# Export as a CSV file df df.to_csv(filename) # Export as a Excel file df df.to_excel(filename) # Export as a SQL table df df.to_sql(table_name, connection_object) # Export as a JSON file df.to_json(filename) # Export as a HTML table df.to_html(filename) # Write to the clipboard df.to_clipboard()
Colab de Cheat Sheet
Fiecare comandă de aici poate fi executată în caietul însoțitor: Cheat Sheet Pandas - Python pentru Data Science.ipynb.
