Manipulation Des Données Avec Pandas Merge

Thursday, 1 August 2024

rt_values(by=['Score'], ascending=True) Trier le DataFrame à l'aide de plusieurs colonnes: rt_values(by=['Name', 'Score'], ascending=[True, False]) Création d'une autre colonne dans DataFrame, Ici, nous allons créer un pourcentage de nom de colonne qui calculera le pourcentage du score de l'étudiant en utilisant la fonction d'agrégation sum(). student['Percentage'] = (student['Score'] / student['Score']()) * 100 Sélection de lignes DataFrame à l'aide d'opérateurs logiques: # Selecting rows where score is # greater than 70 print(student[>70]) # Selecting rows where score is greater than 60 # OR less than 70 print(student[(>60) | (<70)]) Indexation & Slicing: Ici, est la base de l'étiquette et est une méthode basée sur la position d'entier utilisée pour le découpage et l'indexation des données. # Printing five rows with name column only # i. e. 10 astuces Pandas qui rendront votre travail plus efficace. printing first 5 student names. print([0:4, 'Name']) # Printing all the rows with score column # only i. printing score of all the # students print([:, 'Score']) # Printing only first rows having name, # score columns i. print first student # name & their score.

1. Manipulation des données avec pandas 4
2. Manipulation des données avec pandas avec

Manipulation Des Données Avec Pandas 4

sort_values rt_values(by="Rating", ascending=TRUE) #J'effectue un tri croissant par Rating Transformer des valeurs en integer avec my_dataframe["Reviews"] = mydataframe["Reviews"](lambda x: int(x))

Manipulation Des Données Avec Pandas Avec

La combinaison de value_counts() avec l'option graphique à barres permet une visualisation rapide des caractéristiques de catégorie. Dans le code ci-dessous, je regarde la distribution du thal (une mesure du flux sanguin vers le cœur) en utilisant cette méthode. Chapitre 1 : Manipuler les données - Python site. import as plt% matplotlib lue_counts()() En utilisant la fonction groupby, nous pouvons tracer la pression restante moyenne par slope_of_peak_exercise_st_segment. oupby("slope_of_peak_exercise_st_segment")()(kind='bar') Les tableaux croisés dynamiques Pandas peuvent également être utilisés pour fournir des visualisations de données agrégées. Ici, je compare le sérum_cholestérol_mg_per_dl moyen par type de poitrine et la relation avec la maladie cardiaque. Transformation d'entités Pandas possède également un certain nombre de fonctions qui peuvent être utilisées pour la plupart des transformations d'entités que vous devrez peut-être entreprendre. Par exemple, les bibliothèques d'apprentissage automatique les plus couramment utilisées exigent que les données soient numériques.

Cette méthode remplit chaque ligne manquante avec la valeur de la ligne supérieure la plus proche. On pourrait aussi l'appeler le forward-filling: df. f illna(method='ffill', inplace=True) Remplissage des lignes manquantes avec des valeurs à l'aide de bfill Ici, vous allez remplacer la méthode ffill mentionnée ci-dessus par bfill. Elle remplit chaque ligne manquante dans le DataFrame avec la valeur la plus proche en dessous. Celle-ci est appelée backward-filling: (method='bfill', inplace=True) La méthode replace() Vous pouvez remplacer les valeurs Nan d'une colonne spécifique par la moyenne, la médiane, le mode ou toute autre valeur. Voyez comment cela fonctionne en remplaçant les lignes nulles d'une colonne nommée par sa moyenne, sa médiane ou son mode: import pandas import numpy #ceci nécessite que vous ayez préalablement installé numpy Remplacez les valeurs nulles par la moyenne: df['A']. Manipulation des données avec pandas la. replace([], df[A](), inplace=True) Remplacer la colonne A avec la médiane: df['B']. replace([], df[B](), inplace=True) Utilisez la valeur modale pour la colonne C: df['C'].