نویسنده (ها): Gencay I.
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
پنج پاندا ترفندهایی برای تقویت تجزیه و تحلیل داده های پایتون برای گردش کار علوم داده.
“هدف این است که داده ها را به اطلاعات و اطلاعات به بینش تبدیل کنیم.” – کارلی فیورینا
برای انجام این کار ، یکی از بهترین راه های علوم داده استفاده از پایتون است پاندابشر اما آیا ما هر عملکرد را در پاندا می دانیم؟ من سالهاست که از آن استفاده می کنم ، اما هنوز هم در حال کشف عملکردهای جدید هستم.
در این مورد ، آنها و تأثیرات آنها را با هم کشف خواهیم کرد. بیایید شروع کنیم!
شما همیشه به .loc احتیاج ندارید – گاهی اوقات برای ویرایش های یک ارزش سریعتر و ساده تر است. بیایید یک ساده ایجاد کنیم مجموعه دادهبشر
واردات پاندا به عنوان pddf = pd.dataframe ({“نام”: [‘Alice’, ‘Bob’, ‘Charlie’]، “امتیاز”: [85, 90, 88]})
در اینجا DataFrame ما است.
.AT سریعترین راه برای به روزرسانی یک مقدار واحد در یک DataFrame است. این برای دسترسی به مقیاس بهینه شده و از سربار از .loc جلوگیری می کند.
تمیز ، سریع ، مناسب برای حلقه ها. در اینجا کد است.
df.at[1, ‘Score’] = 95 چاپ (DF)
در اینجا خروجی است.
همانطور که مشاهده می کنید ، نمره در فهرست یک به 95 تغییر کرده است. ساده و سریع!
بعضی اوقات یک ردیف مقادیر زیادی را پنهان می کند. .xplode () آنها را روشن می کند. اینجا ماست مجموعه داده کد ایجاد
df = pd.dataframe ({“نام”: [‘Alice’, ‘Bob’]، “سرگرمی”: [[‘Reading’, ‘Hiking’]با [‘Gaming’]]})
در اینجا مجموعه داده ما است.
وقتی شما … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/machine-learning/5-pandas-tricks-you-probably-never-heard-of