Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Что такое Pandas для Python?
  • Как установить Pandas на Python?
  • Что такое Pandas Series?
  • Что такое DataFrame Pandas?
  • Импортируйте фрейм данных Pandas из файла
  • Упражнения
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Pandas

Введение в Pandas для Data Science

PreviousPandas to_datetime: Преобразование строки Pandas в дату и времяNextИндексация, Выборка и Присваивание Данных в Pandas

Last updated 1 year ago

В этом уроке вы научитесь погружаться в удивительный мир Pandas. Pandas — это пакет Python, который предоставляет быстрые и гибкие структуры данных, используемые для манипулирования и анализа данных. К концу этого урока вы узнаете, как:

  • Установите pandas для Python с помощью pip или conda.

  • Понимание серий pandas и объектов dataframe

  • Создайте фрейм данных с нуля

  • Импортируйте кадр данных из файла .csv или файла .xls.

Оглавление

Что такое Pandas для Python?

Pandas — это пакет Python, который позволяет работать с табличными данными и предоставляет множество полезных методов и функций для их манипуляции и анализа. Python особенно хорошо подходит для работы с различными типами данных (такими как строки, целые числа, даты и время) в табличном формате.

Она может считывать данные из многих источников, таких как интернет, Excel-файлы и базы данных SQL. Данные могут быть упорядоченными или неупорядоченными и поддерживаться разными типами данных. Библиотека также отлично обрабатывает пропущенные данные и позволяет обновлять, вставлять и удалять данные, используя векторизированные форматы.

Данные хранятся в двух основных структурах данных: объектах Series и DataFrame библиотеки Pandas. Эти структуры легко сортировать, фильтровать и объединять с другими данными.

Все это к тому, что Pandas — невероятное дополнение к среде Python. Он поддерживается в широком спектре областей (включая финансы, науку о данных и науку) и признан одной из ключевых библиотек Python. Благодаря его простоте использования и широким приложениям для науки о данных, вы узнаете о Pandas в следующих нескольких разделах!

Как установить Pandas на Python?

pandas не является частью стандартной библиотеки Python, поэтому вам нужно сначала установить его. К счастью, это довольно легко сделать с помощью pip или conda. Мы можем сделать это, написав одну из этих строк в наш терминал или командную строку, в зависимости от вашего предпочтения по управлению пакетами:

pip install pandas
# conda install pandas

Как только вы запустите установку, вы заметите, что также будет установлено множество зависимостей. После успешной установки pandas, вы можете импортировать библиотеку как обычно. Как правило, pandas импортируется с псевдонимом pd:

# Importing pandas
import pandas as pd

Если этот код выполняется без каких-либо ошибок, значит, ваша установка pandas прошла успешно! В следующем разделе вы узнаете о структуре данных series в Pandas.

Что такое Pandas Series?

Объект series в Pandas представляет собой одномерную структуру данных. Его можно сравнить со столбцом в таблице. Pandas описывает это как одномерный массив с однородным типом данных. Это означает, что данные выровнены вдоль одной оси и имеют одинаковый тип данных.

Серия Pandas — это класс данных, который содержит данные, имеет индекс и определенный тип данных. Давайте посмотрим, как мы можем создать серию Pandas:

# Creating a Pandas series
import pandas as pd

sample_series = pd.Series()
print(sample_series)

# Returns: Series([], dtype: float64)

Мы видим, что серия содержит структуру, похожую на список. Мы можем увидеть, как это выглядит более подробно, создав серию, которая содержит данные:

# Creating a Pandas series with data
sample_series = pd.Series(['Nik', 'Kate', 'Jane', 'Jim'])
print(sample_series)

# Returns: 
# 0     Nik
# 1    Kate
# 2    Jane
# 3     Jim
# dtype: object

Видно, что наша серия содержит данные, которые мы передали в нее. В данном случае мы передали список, и данные были преобразованы в объект серии. Слева мы видим наш индекс. По умолчанию Pandas будет использовать индекс с 0 до конца серии. Давайте посмотрим, как мы можем передать индекс серии:

# Creating a Pandas Series with an Index
sample_series = pd.Series(data = [33, 32, 40, 20], index=['Nik', 'Kate', 'Jane', 'Jim'])
print(sample_series)

# Returns: 
# Nik     33
# Kate    32
# Jane    40
# Jim     20
# dtype: int64

В приведенном выше примере мы создали серию Pandas с помощью:

  1. Вызов конструктора Series

  2. Передача аргумента data, который позволяет нам передать список данных

  3. Передача аргумента index, который позволяет передавать список индексов

Мы видим, что это совершенно отличается от создания обычного списка в Python. Мы видим, что каждый элемент в нашем серии теперь доступен не только по его местоположению (похожему на список в Python), но и по его именованному индексу. Например, теперь мы можем получить доступ к возрасту человека, просто указав имя, предоставленное в индексе.

# Accessing a Pandas series item
print(sample_series['Nik'])

# Returns: 33

Важно, чтобы массивы, используемые для создания индекса и данных, были одинаковой длины. В противном случае Python выведет ошибку ValueError:

# Raising a ValueError When Creating a Series
sample_series = pd.Series(data = [33, 32, 40, 20, 33], index=['Nik', 'Kate', 'Jane', 'Jim'])

# Raises: ValueError: Length of values (5) does not match length of index (4)

Серии Pandas являются ключевым элементом структуры данных Pandas. В следующем разделе вы погрузитесь в мир датафреймов Pandas!

Что такое DataFrame Pandas?

Pandas dataframe, проще говоря, это таблица. DataFrame содержит строки и столбцы, каждое из которых имеет метку. Объект DataFrame содержит отдельные записи, каждая из которых содержит разные значения. Каждое значение в DataFrame соответствует как строке (записи), так и столбцу.

Зачем иметь две структуры данных?

В предыдущем разделе вы узнали о Series в Pandas. Мы сравнили Series в Pandas с колонкой в таблице. Аналогично, можно представить DataFrame как контейнер для объектов Series в Pandas.

Почему Pandas создал две структуры данных, когда на самом деле нам нужна табличная DataFrame?

Эти две структуры позволяют нам гибко работать и добавлять или удалять данные подобно словарю. Это также позволяет нам достичь невероятной гибкости при работе с данными. Нам не нужно беспокоиться о размере или размерности данных, и это позволяет нам с легкостью получать доступ, изменять и извлекать данные.

Создание DataFrame Pandas

Давайте теперь посмотрим, как мы можем создать DataFrame в Pandas. В предыдущем разделе вы узнали, что можно рассматривать DataFrame как коллекцию объектов Series. Один из способов создания DataFrame - это передача словаря с данными. Каждый ключ представляет столбец нашего DataFrame, а значение ключа представляет собой список данных, относящихся к этому столбцу.

Давайте создадим небольшой DataFrame для практики:

# Creating a DataFrame from Scratch
df = pd.DataFrame({
    'Name': ['Nik', 'Kate', 'Jane', 'Evan', 'Jim', 'Moe', 'Samira'],
    'Age': [33, 32, 20, 40, 22, 50, 76]
})

print(df)

# Returns:
#      Name  Age
# 0     Nik   33
# 1    Kate   32
# 2    Jane   20
# 3    Evan   40
# 4     Jim   22
# 5     Moe   50
# 6  Samira   76

Отличная работа! Вы только что создали свою первую Pandas DataFrame. Здесь мы видим, что создали новый Pandas DataFrame, используя словарь.

Использование методов Pandas для отображения данных

Теперь, когда вы создали свой первый DataFrame, давайте рассмотрим несколько способов использования Pandas для отображения данных. В последующих уроках вы узнаете значительно больше о выборе данных в Pandas, а пока давайте начнем с того, как можно просмотреть первые или последние несколько строк нашего набора данных.

Мы можем использовать метод .head() из библиотеки Pandas для доступа к первым пяти записям DataFrame. Давайте посмотрим, как это выглядит:

# Returning the first five records of a Pandas DataFrame
print(df.head())

# Returns:
#      Name  Age
# 0     Nik   33
# 1    Kate   32
# 2    Jane   20
# 3    Evan   40
# 4     Jim   22

Метод head позволяет нам вставить другой аргумент для количества возвращаемых записей. По умолчанию он вернет первые пять. Однако, если мы хотим вернуть только две записи, мы можем передать значение 2 в метод:

# Returning the first two records of a Pandas DataFrame
print(df.head(2))

# Returns:
#      Name  Age
# 0     Nik   33
# 1    Kate   32

Аналогично, мы можем вернуть последние записи датафрейма, используя метод .tail(). Подобно методу .head(), метод .tail() вернет последние пять записей. Передача другого целого значения изменит это поведение. Давайте посмотрим, как мы можем вернуть последние три записи:

# Returning the last three records of a Pandas DataFrame
print(df.tail(3))

# Returns:
#      Name  Age
# 4     Jim   22
# 5     Moe   50
# 6  Samira   76

В следующем разделе вы узнаете, как создать Pandas DataFrame из файла.

Импортируйте фрейм данных Pandas из файла

Создание DataFrame с нуля может быть трудоемким процессом, и, вероятно, у вас уже есть файлы, которые вы хотите преобразовать в DataFrame Pandas. Поэтому в этом разделе вы узнаете, как это сделать!

Один из самых распространенных форматов файлов, с которыми вы столкнетесь, это .csv файл. Эти файлы содержат данные, хранящиеся в виде текста, как показано ниже:

date,gender,region,sales
8/22/2022,Male,North-West,20381
3/5/2022,Male,North-East,14495
2/9/2022,Male,North-East,13510
6/22/2022,Male,North-East,15983

Вы можете видеть, что первые пять строк наших примерных .csv файлов действительно являются текстом. CSV расшифровывается как значения, разделенные запятыми — что логично, поскольку наши значения действительно разделены запятыми. Хотя запятая не является обязательным разделителем данных, это общепринятое соглашение. Первая строка представляет заголовки столбцов, а следующие строки — это наши данные.

Работа с файлами .csv в DataFrame с использованием Pandas очень проста! Библиотека предоставляет одноимённую функцию .read_csv(), которая позволяет загружать файл .csv в DataFrame. Первый аргумент функции — путь к файлу, который может быть относительным, абсолютным или даже URL. В данном случае мы загрузим DataFrame из файла, размещённого на GitHub.

Загрузим файл .csv в DataFrame:

# Loading a csv file into a Pandas DataFrame
df = pd.read_csv('https://raw.githubusercontent.com/datagy/data/main/sales.csv')
print(df.head())

# Returns:
#         date  gender      region  sales
# 0  8/22/2022    Male  North-West  20381
# 1   3/5/2022    Male  North-East  14495
# 2   2/9/2022    Male  North-East  13510
# 3  6/22/2022    Male  North-East  15983
# 4  8/10/2022  Female  North-West  15007

Хотя функция .read_csv() принимает множество различных параметров, самым важным, конечно же, является путь к файлу.

Вместо этого читаете файл Excel?

Упражнения

Теперь, когда у вас есть датафрейм из интернета, давайте посмотрим, как мы можем немного его изучить! Попробуйте запустить следующие примеры кода и попытаться выяснить, что они делают. Решения предоставлены под переключателями.

print(df.columns) Этот метод возвращает структуру, подобную списку, со всеми столбцами вашего фрейма данных.
# Importing pandas
import pandas as pd

# Loading a csv file into a Pandas DataFrame
df = pd.read_csv('https://raw.githubusercontent.com/datagy/data/main/sales.csv')

print(df.columns)

# Return:
# Index(['date', 'gender', 'region', 'sales'], dtype='object')
print(df.shape) Это возвращает кортеж, содержащий форму вашего DataFrame, в формате (строки, столбцы).
# Importing pandas
import pandas as pd

# Loading a csv file into a Pandas DataFrame
df = pd.read_csv('https://raw.githubusercontent.com/datagy/data/main/sales.csv')

print(df.shape)

# Return:
# (1000, 4)
len(df) Длина вашего DataFrame, измеренная в количестве строк.
# Importing pandas
import pandas as pd

# Loading a csv file into a Pandas DataFrame
df = pd.read_csv('https://raw.githubusercontent.com/datagy/data/main/sales.csv')

print(len(df))

# Return:
# 1000

Заключение

В этом уроке вы с головой окунулись в удивительный мир Pandas. Pandas позволяет вам исследовать табличные данные из множества различных источников, используя Python! Краткое резюме того, что вы узнали:

  • Pandas не является частью стандартной библиотеки Python и может быть установлен с помощью pip или conda

  • Пакет Pandas обычно импортируется с псевдонимом pd

  • Pandas имеет две структуры данных: аналог Series для колонок и аналог DataFrame для таблиц

  • Вы можете читать файлы .csv, используя функцию pd.read_csv(), и файлы Excel, используя функцию pd.read_excel()

В следующем разделе вы узнаете еще больше способов исследования данных с помощью Pandas.

Дополнительные ресурсы

Чтобы узнать больше о связанных темах, ознакомьтесь со статьями ниже:

  • Pandas: получите номер строки из фрейма данных

  • Pandas: количество столбцов (подсчет столбцов фрейма данных)

  • Фрейм данных Pandas в файл CSV – экспорт с использованием .to_csv()

, как в формате .xls, так и .xlsx! Эта функция называется .read_excel(). В других разделах этого курса вы узнаете разные способы чтения данных.

Чтобы узнать больше о структуре Pandas DataFrame, .

Pandas имеет специальную функцию для чтения файлов Excel
ознакомьтесь с официальной документацией здесь
Что такое Pandas для Python?
Как установить Pandas на Python?
Что такое Pandas Series?
Что такое DataFrame Pandas?
Импортируйте фрейм данных Pandas из файла
Упражнения
Заключение
Дополнительные ресурсы