Cours Pandas

Leçon 1 • Structures de données Python essentielles

Révisez les listes, dictionnaires et tuples comme les blocs de construction que Pandas étend. Relie les conteneurs Python natifs aux concepts de Series et DataFrame de Pandas.

Leçon 2 • Les tableaux NumPy comme base de Pandas

Présentez les tableaux NumPy et les opérations vectorisées qui alimentent Pandas en interne. Comprendre les tableaux évite toute confusion lorsque Pandas renvoie des résultats basés sur des tableaux.

Leçon 3 • Configuration de l'environnement

Installez Python, Pandas et Jupyter Notebook pour un flux de travail interactif. Établit la base technique dont dépend chaque chapitre suivant.

Leçon 4 • Introduction aux DataFrames

Construisez des DataFrames à partir de dictionnaires, de listes et d'objets Series. Fournit le modèle mental fondamental pour toute la manipulation de données abordée plus tard.

Leçon 1 • Écriture de données dans des fichiers

Exportez des DataFrames vers CSV, Excel et JSON en utilisant to_csv, to_excel et to_json. Complète le cycle lecture-transformation-écriture introduit dans ce chapitre.

Leçon 2 • Lecture de fichiers Excel et JSON

Importez des classeurs Excel multi-feuilles et des structures JSON imbriquées dans des DataFrames. Élargit les compétences d'ingestion au-delà des fichiers plats vers des formats métier courants.

Leçon 3 • Lecture à partir de bases de données

Connectez-vous à des bases de données SQL et exécutez des requêtes directement dans des DataFrames en utilisant read_sql. Fait le lien entre les flux de travail basés sur les bases de données et les pipelines d'analyse avec Pandas.

Leçon 4 • Lecture de fichiers plats

Utilisez read_csv et read_table avec des paramètres clés pour importer des fichiers délimités. Couvre le scénario d'ingestion de données du monde réel le plus courant dans ce chapitre.

Leçon 1 • Indexation basée sur la position avec iloc

Utilisez iloc pour un accès aux lignes et colonnes basé sur la position entière. Complète loc lorsque vous travaillez avec des DataFrames non étiquetés ou indexés numériquement.

Leçon 2 • Méthode Query et sélection avancée

Utilisez la méthode query et la sélection MultiIndex pour des filtres expressifs et lisibles. Étend les compétences de sélection aux index hiérarchiques introduits plus tard dans le cours.

Leçon 3 • Sélection de base des colonnes et des lignes

Sélectionnez une ou plusieurs colonnes en utilisant la notation par crochets et par point. Établit les modèles de sélection les plus simples avant d'introduire les indexeurs d'étiquettes et de position.

Leçon 4 • Indexation basée sur les étiquettes avec loc

Utilisez loc pour sélectionner des lignes et des colonnes par étiquette, y compris les tranches et les listes. Fournit une sélection précise et lisible qui évite l'ambiguïté de position.

Leçon 1 • Renommage et restructuration des colonnes

Renommez les colonnes avec rename, nettoyez les noms de colonnes et réorganisez ou supprimez des colonnes. Des conventions de nommage cohérentes améliorent la lisibilité du code dans l'ensemble du projet.

Leçon 2 • Suppression et déduplication des données

Trouvez et supprimez les lignes en double à l'aide de duplicated et drop_duplicates. Empêche les comptes gonflés et les statistiques faussées dans les étapes d'agrégation.

Leçon 3 • Remplacement et correction des valeurs

Utilisez replace, map et clip pour corriger les valeurs erronées ou hors limites dans les colonnes. Garantit l'intégrité des données avant l'analyse statistique ou les pipelines d'apprentissage automatique.

Leçon 4 • Gestion des valeurs manquantes

Identifiez les emplacements NaN avec isna et isnull, puis remplissez-les ou supprimez-les stratégiquement. La gestion des valeurs manquantes affecte directement la précision de chaque agrégation.

Leçon 1 • Opérations sur les chaînes avec l'accesseur str

Tirez parti de l'accesseur str pour le nettoyage, la division et l'extraction vectorisés de chaînes. Les colonnes de texte nécessitent ces méthodes avant de pouvoir être utilisées dans l'analyse.

Leçon 2 • Mise en catégories et discrétisation

Convertissez des variables continues en catégories discrètes à l'aide de cut et qcut. La discrétisation permet une analyse groupée des distributions numériques.

Leçon 3 • Tri et classement des données

Triez les DataFrames par valeurs ou par index et attribuez des rangs aux colonnes numériques. Les données ordonnées sont nécessaires pour les fonctions de fenêtrage et les opérations de séries temporelles à venir.

Leçon 4 • Création et modification de colonnes

Dérivez de nouvelles colonnes par le biais de l'arithmétique, des opérations sur les chaînes et de la logique conditionnelle. Les nouvelles caractéristiques améliorent directement la profondeur analytique des agrégations en aval.

Leçon 1 • Fonctions d'agrégation intégrées

Appliquez sum, mean, count, min, max et std aux données groupées de manière efficace. Les fonctions intégrées sont plus rapides que les appels apply personnalisés et couvrent la plupart des besoins de reporting.

Leçon 2 • Agrégations personnalisées et Transform

Écrivez des fonctions d'agrégation personnalisées et utilisez transform pour diffuser les résultats du groupe vers l'index d'origine. Transform permet la création de caractéristiques normalisées par groupe.

Leçon 3 • Fondamentaux de GroupBy

Divisez un DataFrame en groupes par une ou plusieurs clés et inspectez l'objet GroupBy résultant. Comprendre le modèle diviser-appliquer-combiner est le fondement de ce chapitre.

Leçon 4 • Remodelage avec Pivot et Melt

Utilisez pivot pour remodeler des données longues en format large et melt pour inverser l'opération. Les transformations de large à long et de long à large sont essentielles pour les flux de travail de données ordonnées.

Leçon 1 • Fusion sur des noms de clés différents

Utilisez left_on et right_on pour fusionner des DataFrames avec des colonnes clés nommées différemment. Gère le cas courant du monde réel où les systèmes sources utilisent des noms incohérents.

Leçon 2 • Concaténation de DataFrames

Empilez des DataFrames verticalement ou horizontalement avec concat et gérez l'alignement des index. La concaténation est la méthode de combinaison la plus simple et le point de départ de ce chapitre.

Leçon 3 • Combinaison avec Update et Combine

Utilisez update et combine_first pour combler les lacunes d'un DataFrame à partir d'un autre. Permet des modèles de mise à jour incrémentielle des données courants dans les pipelines de production.

Leçon 4 • Jointure basée sur l'index

Utilisez join pour combiner des DataFrames alignés sur leurs index plutôt que sur leurs colonnes. Les jointures sur index sont plus rapides lorsque les DataFrames partagent un index significatif commun.

Leçon 1 • Sélection et découpage temporels

Sélectionnez des plages de dates en utilisant l'indexation partielle par chaîne et loc avec des tranches datetime. Permet une extraction rapide des périodes fiscales, des trimestres et des fenêtres de date personnalisées.

Leçon 2 • Décalages temporels et arithmétique des périodes

Utilisez les objets DateOffset, Timedelta et Period pour l'arithmétique des dates et l'indexation des périodes. Permet des calculs précis de jours ouvrés et un alignement des périodes fiscales.

Leçon 3 • Rééchantillonnage et conversion de fréquence

Agréguez des séries temporelles à des fréquences inférieures et suréchantillonnez à des fréquences supérieures avec resample. Le rééchantillonnage est l'opération centrale pour la création de rapports quotidiens, hebdomadaires et mensuels.

Leçon 4 • Indexation et analyse datetime

Convertissez des colonnes de chaînes en DatetimeIndex et définissez-les comme index du DataFrame. Un DatetimeIndex approprié déverrouille toutes les méthodes de sélection et de rééchantillonnage temporelles.