Analiza Danych w Pythonie: `pandas`

`pandas`

Biblioteka pandas jest podstawowym narzędziem w ekosystemie Pythona do analizy danych:

dostarcza dwa podstawowe typy danych:
- Series (szereg, 1D)
- DataFrame (ramka danych, 2D)
operacje na tych obiektach: obsługa brakujących wartości, łączenie danych;
obsługuje dane różnego typu, np. szeregi czasowe;
biblioteka bazuje na numpy -- bibliotece do obliczeń numerycznych;
pozwala też na prostą wizualizację danych;
ETL: extract, transform, load.

Żeby zaimportowąc bibliotekę pandas wystarczy:

import pandas as pd

Zadanie 0: sprawdź, czy masz zainstalowaną bibliotekę `pandas`.

Szeregi (`pd.Series`)

Szereg reprezentuje jednorodne dane jednowymiarowe - jest odpowiednikiem wektora w R.

Szeregi możemy tworzyć na różne sposoby (więcej za chwilę), np. z obiektów tj. listy i słowniki.
Dane muszą być jednorodne. W przeciwnym przypadku nastąpi automatyczna konwersja.
Podczas tworzenia szeregu musimy podać jeden obowiązkowy argument data - dane.
Ponadto możemy podać też indeks (index), typ danych (dtype) lub nazwę (name).
```
class pandas.Series(data=None, index=None, dtype=None, name=None)
```

Podczas tworzenie szeregu mozemy podać dane w formacie listy lub słownika.

Poniżej jest przykład przedstawiający tworzenie szeregu z danych, które są zawarte w liście:


data = [211819, 682758, 737011, 779511, 673790, 673790, 444177, 136791]

s = pd.Series(data)

s

0    211819
1    682758
2    737011
3    779511
4    673790
5    673790
6    444177
7    136791
dtype: int64

W przypadku, gdy dane pochodzą z listy i nie podaliśmy indeksu, pandas doda automatyczny indeks liczbowy zaczynający się od 0.

W przypadku przekazania słownika jako danych do szeregu, pandas wykorzysta klucze do stworzenia indeksu:

members = {'April': 211819,'May': 682758, 'June': 737011, 'July': 779511}

s = pd.Series(members)

s

April    211819
May      682758
June     737011
July     779511
dtype: int64

Podczas tworzenia szeregu możemy zdefiniować indeks, jak i nazwę szeregu:

months = ['April', 'May', 'June', 'July']

data = [211819, 682758, 737011, 779511]

s = pd.Series(data=data, index=months, dtype=float, name='Rides')

s

April    211819.0
May      682758.0
June     737011.0
July     779511.0
Name: Rides, dtype: float64

Odwołanie się do poszczególnego elementu odbywa się przy pomocy klucza z indeksu.

members = {'April': 211819,'May': 682758, 'June': 737011, 'July': 779511}

s = pd.Series(members)

print(s['April'])

s['August'] = 673790
s

April     211819
May       682758
June      737011
July      779511
August    673790
dtype: int64

Dodanie elementu do szeregu odbywa się poprzez definiowanie nowego klucza:

members = {'April': 211819,'May': 682758, 'June': 737011, 'July': 779511}

s = pd.Series(members)

s['August'] = 673790

s

April     211819
May       682758
June      737011
July      779511
August    673790
dtype: int64

Więcej nt. indeksowania w szeregach w dalszej części kursu.

Podstawowa cechą szeregu jest wykonywanie operacji w sposób wektorowy. Działa to w następujący sposób:

gdy w obu szeregach jest zawarty ten sam klucz, to są sumowane ich wartości;
w przeciwnym przypadku wartość klucza w wynikowym szeregu to pd.NaN.
Równoważnie możemy wykorzystać metodę pandas.Series.add. W tym przypadku możemy podać domyślną wartość w przypadku braku klucza.

members = pd.Series({'May': 682758, 'June': 737011,  'August': 673790, 'July': 779511,
'September': 673790, 'October': 444177})

occasionals = pd.Series({'May': 147898, 'June': 171494, 'July': 194316, 'August': 206809,
'September': 140492})

all_data = members + occasionals
# Równoważnie
all_data = members.add(occasionals)
all_data

August       880599.0
July         973827.0
June         908505.0
May          830656.0
October           NaN
September    814282.0
dtype: float64

Możemy wykonać operacje arytmetyczne na szeregu:

members = pd.Series({'May': 682758, 'June': 737011, 'July': 779511, 'August': 673790,
'September': 673790, 'October': 444177})

members += 1000

members

May          683758
June         738011
July         780511
August       674790
September    674790
October      445177
dtype: int64

Podsumowanie

Szeregi działają podobnie do słowników, z tą różnicą, że wartości muszą być jednorodne (tego samego typu).
Odwołanie do poszczególnych elementów odbywa się poprzez nawiasy [] i podanie klucza.
W przeciwieństwie do słowników, możemy w prosty sposób wykonywać operacje arytmetyczne.

Zadanie 1

Stwórz szereg n, który będzie zawierać liczby od 0 do 10 (włącznie).
Stwórz szereg n2, który będzie zawierać kwadraty liczb od 0 do 10 (włącznie).
Następnie stwórz szereg trojkatne, który będzie sumą powyższych szeregów podzieloną przez 2.

Ramka danych (`pd.DataFrame`)

Ramka danych jest podstawową strukturą danych w bibliotece pandas, która pozwala na trzymanie i reprezentowanie danych tabelarycznych (dwuwymiarowych).

Posiada kolumny (cechy) i wiersze (obserwacje, przykłady).
Możemy też patrzeć na nią jak na słownik, którego wartościami są szeregi.

class pandas.DataFrame(data=None, index=None, columns=None, dtype=None)

Ramkę danych możemy stworzyć na różne sposoby.

Pierwszy z nich ("kolumnowy") polega na zdefiniowaniu ramki poprzez podanie szeregów jako kolumn:

members = pd.Series({'May': 682758, 'June': 737011, 'July': 779511})
occasionals = pd.Series({'May': 147898, 'June': 171494, 'July': 194316})

df = pd.DataFrame({'members': members, 'occasionals': occasionals})
df

	members	occasionals
May	682758	147898
June	737011	171494
July	779511	194316

Drugim popularnym sposobem jest przekazanie listy słowników. Wtedy pandas zinterpretuje to jako listę przykładów:

data = [
    {'members': 682758, 'occasionals': 147898},
    {'occasionals': 171494,'members': 737011},
    {'members': 779511, 'occasionals': 194316},
]

df = pd.DataFrame(data)

df

	members	occasionals
0	682758	147898
1	737011	171494
2	779511	194316

Możemy też wykorzystać metodę from_dict (doc), która pozwala zdefiniować czy podane dane są w podane w postaci kolumnowej lub wierszowej:

data = {
    'May': {'members': 682758, 'occasionals': 147898},
    'June': {'members': 737011, 'occasionals': 171494},
    'July': {'members': 779511, 'occasionals': 194316}
}

df = pd.DataFrame.from_dict(data, orient='index')
print('index\n', df)
print()
df = pd.DataFrame.from_dict(data, orient='columns')
print('columns\n', df)

index
       members  occasionals
May    682758       147898
June   737011       171494
July   779511       194316

columns
                 May    June    July
members      682758  737011  779511
occasionals  147898  171494  194316

Wczytywanie danych

Biblioteka pandas pozwala na wczytanie i zapis danych z różnych formatów:

formaty tekstowe, np. csv, json
pliki arkuszy kalkulacyjnych: Excel (xls, xlsx)
bazy danych
inne: sas spss

Efektem wczytania danych jest odpowiednio stworzona ramka danych (DataFrame).

Jednym z najprostszych formatów danych jest format csv, gdzie kolejne wartości są rozdzielone przecinkiem.

Żeby wczytać dane w takim formacie należy użyć funkcji pandas.read_csv.

Pandas pozwala na ustawienie wielu parametrów (np. separator, cudzysłowy). Więcej na ten temat w dokumentacji.

df = pd.read_csv('gapminder.csv')

df

	Country	female_BMI	male_BMI	gdp	population	under5mortality	life_expectancy	fertility
0	Afghanistan	21.07402	20.62058	1311.0	26528741.0	110.4	52.8	6.20
1	Albania	25.65726	26.44657	8644.0	2968026.0	17.9	76.8	1.76
2	Algeria	26.36841	24.59620	12314.0	34811059.0	29.5	75.5	2.73
3	Angola	23.48431	22.25083	7103.0	19842251.0	192.0	56.7	6.43
4	Antigua and Barbuda	27.50545	25.76602	25736.0	85350.0	10.9	75.5	2.16
...	...	...	...	...	...	...	...	...
170	Venezuela	28.13408	27.44500	17911.0	28116716.0	17.1	74.2	2.53
171	Vietnam	21.06500	20.91630	4085.0	86589342.0	26.2	74.1	1.86
172	Palestine	29.02643	26.57750	3564.0	3854667.0	24.7	74.1	4.38
173	Zambia	23.05436	20.68321	3039.0	13114579.0	94.9	51.1	5.88
174	Zimbabwe	24.64522	22.02660	1286.0	13495462.0	98.3	47.3	3.85

175 rows × 8 columns

df = pd.read_csv('./titanic_train.tsv', delimiter='\t', index_col=0, nrows=5)
df

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund\t Mr. Owen Harris	male	22	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen\t Miss. Laina	female	26	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35	1	0	113803	53.1000	C123	S
5	0	3	Allen\t Mr. William Henry	male	35	0	0	373450	8.0500	NaN	S

Do wczytania danych z arkusza kalkulacyjnego służy funkcja pandas.read_excel. Do otworzenia pliku xlsx może być koniecnze ustawienie parametru: engine='openpyxl. Więcej opcji w dokumentacji.

df = pd.read_excel('./bikes.xlsx', engine='openpyxl', nrows=5)
df

	start_date	start_station_code	end_date	end_station_code	duration_sec	is_member
0	2019-04-14 07:55:22	6001	2019-04-14 08:07:16	6132	713	1
1	2019-04-14 07:59:31	6411	2019-04-14 08:09:18	6411	587	1
2	2019-04-14 07:59:55	6097	2019-04-14 08:12:11	6036	736	1
3	2019-04-14 07:59:57	6310	2019-04-14 08:27:58	6345	1680	1
4	2019-04-14 08:00:37	7029	2019-04-14 08:14:12	6250	814	0

Innym ważnym źródłem informacji są bazy danych. Pandas potrafi komunikować się z bazą danych za pomocą biblioteki SQLAlchemy i dostarcza odpowiedną funkcję:

pandas.read_sql - wczytanie całej tabeli lub zapytania do bazy danych

df = pd.read_sql('Album', con='sqlite:///Chinook.sqlite', index_col='AlbumId')

df

	Title	ArtistId
AlbumId
1	For Those About To Rock We Salute You	1
2	Balls to the Wall	2
3	Restless and Wild	2
4	Let There Be Rock	1
5	Big Ones	3
...	...	...
343	Respighi:Pines of Rome	226
344	Schubert: The Late String Quartets & String Qu...	272
345	Monteverdi: L'Orfeo	273
346	Mozart: Chamber Music	274
347	Koyaanisqatsi (Soundtrack from the Motion Pict...	275

347 rows × 2 columns

import sqlalchemy

engine = sqlalchemy.create_engine('sqlite:///Chinook.sqlite', echo=True)
connection  = engine.raw_connection()

df = pd.read_sql('SELECT * FROM Album', con='sqlite:///Chinook.sqlite', index_col='AlbumId')
df

	Title	ArtistId
AlbumId
1	For Those About To Rock We Salute You	1
2	Balls to the Wall	2
3	Restless and Wild	2
4	Let There Be Rock	1
5	Big Ones	3
...	...	...
343	Respighi:Pines of Rome	226
344	Schubert: The Late String Quartets & String Qu...	272
345	Monteverdi: L'Orfeo	273
346	Mozart: Chamber Music	274
347	Koyaanisqatsi (Soundtrack from the Motion Pict...	275

347 rows × 2 columns

Podsumowanie

Biblioteka pandas wspiera pobieranie danych z różnych formatów i źródeł.
Każda funkcja ma listę argumentów, które pozwalają na ustawić poszczególne parametry (np. read_csv).

Zapis i eksport danych

Pandas pozwala w prosty sposób na zapisywanie ramki danych do pliku.

members = pd.Series({'May': 682758, 'June': 737011, 'July': 779511})
occasionals = pd.Series({'May': 147898, 'June': 171494, 'July': 194316})

df = pd.DataFrame({'members': members, 'occasionals': occasionals})

# zapis do formatu CSV
df.to_csv('tmp.csv')
# zapis do arkusza kalkulacyjnego 
df.to_excel('tmp.xlsx')

Ponadto możemy przekonwertować ramkę danych do JSONa lub Pythonowego słownika:

print(df.to_json())

{"members":{"May":682758,"June":737011,"July":779511},"occasionals":{"May":147898,"June":171494,"July":194316}}

print(df.to_dict())

{'members': {'May': 682758, 'June': 737011, 'July': 779511}, 'occasionals': {'May': 147898, 'June': 171494, 'July': 194316}}

Lub przekopiować dane do schowka:

df.to_clipboard()

Zadanie

Przekonwertuj tabele Customer z bazy Chinook.sqlite do arkusza kalkulacyjnego. Plik wynikowy nazwij customers.xlsx.
Tabela Employee zawiera informacje o pracownikach firmy Chinook. Wyswietl dane na ekranie i podaj miasta, w których mieszkają pracownicy.
Tabela Invoice zawiera informacje o fakturach. Przekonwertuj kolumnę BillingCountry do pythonowego słownika, a następnie podaj najcześciej występującą wartość. Ile razy pojawiła się?

Ramka danych - podstawy

Kolumny

Na ramkę danych możemy patrzeć jak na swego rodzaju słownik, którego wartościami są szeregi. Pozwoli to na uzyskanie lepszej intuicji.

df = pd.read_csv('./gapminder.csv', index_col='Country', nrows=8, usecols=['Country', 'gdp', 'population','life_expectancy'])

df

	gdp	population	life_expectancy
Country
Afghanistan	1311.0	26528741.0	52.8
Albania	8644.0	2968026.0	76.8
Algeria	12314.0	34811059.0	75.5
Angola	7103.0	19842251.0	56.7
Antigua and Barbuda	25736.0	85350.0	75.5
Argentina	14646.0	40381860.0	75.4
Armenia	7383.0	2975029.0	72.3
Australia	41312.0	21370348.0	81.6

Dostęp do poszczególnej kolumny możemy uzystać na dwa sposoby:

# notacja z kropką
df.population

Country
Afghanistan            26528741.0
Albania                 2968026.0
Algeria                34811059.0
Angola                 19842251.0
Antigua and Barbuda       85350.0
Argentina              40381860.0
Armenia                 2975029.0
Australia              21370348.0
Name: population, dtype: float64

# Operator []
df['population']

Country
Afghanistan            26528741.0
Albania                 2968026.0
Algeria                34811059.0
Angola                 19842251.0
Antigua and Barbuda       85350.0
Argentina              40381860.0
Armenia                 2975029.0
Australia              21370348.0
Name: population, dtype: float64

Do operatora [] możemy też podać listę nazw kolumn:

df[['gdp','population']]

	gdp	population
Country
Afghanistan	1311.0	26528741.0
Albania	8644.0	2968026.0
Algeria	12314.0	34811059.0
Angola	7103.0	19842251.0
Antigua and Barbuda	25736.0	85350.0
Argentina	14646.0	40381860.0
Armenia	7383.0	2975029.0
Australia	41312.0	21370348.0

Listę kolumn możemy pobrać za pomocą:

df.columns

Index(['gdp', 'population', 'life_expectancy'], dtype='object')

df.columns = ['PKB', 'Populacja', 'ODŻ']

df

	PKB	Populacja	ODŻ
Country
Afghanistan	1311.0	26528741.0	52.8
Albania	8644.0	2968026.0	76.8
Algeria	12314.0	34811059.0	75.5
Angola	7103.0	19842251.0	56.7
Antigua and Barbuda	25736.0	85350.0	75.5
Argentina	14646.0	40381860.0	75.4
Armenia	7383.0	2975029.0	72.3
Australia	41312.0	21370348.0	81.6

Żeby odwołać się do poszczególnych wierszy należy wykorzystać metodę loc:

df.loc['Argentina']

PKB             14646.0
Populacja    40381860.0
ODŻ                75.4
Name: Argentina, dtype: float64

Metoda loc również może przyjąć listę wierszy:

df.loc[['Albania', 'Angola']]

	PKB	Populacja	ODŻ
Country
Albania	8644.0	2968026.0	76.8
Angola	7103.0	19842251.0	56.7

Możemy również podać drugi parametr: nazwy kolumn:

df2 = df.loc[['Albania', 'Angola'], ['PKB', 'Populacja']]

df2

	PKB	Populacja
Country
Albania	8644.0	2968026.0
Angola	7103.0	19842251.0

Albo wykorzystać tzw. _slicing, cyzli operator ::

df.loc['Albania': 'Angola', 'PKB': 'ODŻ']

	PKB	Populacja	ODŻ
Country
Albania	8644.0	2968026.0	76.8
Algeria	12314.0	34811059.0	75.5
Angola	7103.0	19842251.0	56.7

Żeby odwołać się do pojedyńczej wartości możemy użyć metody at:

df.at['Angola', 'PKB']

7103.0

Dostęp do indeksu:

df.index

Index(['Afghanistan', 'Albania', 'Algeria', 'Angola', 'Antigua and Barbuda',
       'Argentina', 'Armenia', 'Australia'],
      dtype='object', name='Country')

Podstawowe metody `pd.Series` i `pd.DataFrame`

members = pd.Series({'May': 682758, 'June': 737011, 'July': 779511, 'August': 673790,
'September': 673790, 'October': 444177})

occasionals = pd.Series({'May': 147898, 'June': 171494, 'July': 194316, 'August': 206809,
'September': 140492, 'October': 53596})

df = pd.DataFrame({'members': members, 'occasionals': occasionals})

df

	members	occasionals
May	682758	147898
June	737011	171494
July	779511	194316
August	673790	206809
September	673790	140492
October	444177	53596

Metoda head pozwala tworzy nową ramkę danych z pierwszymi 5 przykładami:

df.head()

	members	occasionals
May	682758	147898
June	737011	171494
July	779511	194316
August	673790	206809
September	673790	140492

Metoda tail robi to samo, ale z 5 ostatnymi przykładami:

df.tail()

	members	occasionals
June	737011	171494
July	779511	194316
August	673790	206809
September	673790	140492
October	444177	53596

Metoda sample pozwala na stworzenie nowej ramki danych z wylosowanymi n przykładami:

df.sample(3)

	members	occasionals
September	673790	140492
August	673790	206809
May	682758	147898

Metoda describe zwraca podstawowe statystyki m.in.: liczebność, średnią, wartości skrajne:

df.describe()

	members	occasionals
count	6.000000	6.000000
mean	665172.833333	152434.166667
std	116216.045456	54783.506738
min	444177.000000	53596.000000
25%	673790.000000	142343.500000
50%	678274.000000	159696.000000
75%	723447.750000	188610.500000
max	779511.000000	206809.000000

Metoda info zwraca informacje techniczne o kolumnach: np. typ danych:

df.info()

<class 'pandas.core.frame.DataFrame'>
Index: 6 entries, May to October
Data columns (total 2 columns):
 #   Column       Non-Null Count  Dtype
---  ------       --------------  -----
 0   members      6 non-null      int64
 1   occasionals  6 non-null      int64
dtypes: int64(2)
memory usage: 144.0+ bytes

Podstawową informacją o ramce danych to liczba przykładów w ramce danych. Możemy wykorzystać to tego funkcję len:

len(df)

Natomiast atrybut shape zwraca nam krotkę z liczbą przykładów i liczbą kolumn:

df.shape

(6, 2)

Operacja arytmetyczne

max, idxmax
min, idxmin
mean
count

df.mean()

members        665172.833333
occasionals    152434.166667
dtype: float64

Zbiór wartości i zliczanie wartości:

dane = pd.Series([1, 3, 2, 3, 1, 1, 2, 3, 2, 3])

print(dane.unique())

dane = pd.Series([1, 3, 2, 3, 1, 1, 2, 3, 2, 3])

print(dane.value_counts())

[1 3 2]
3    4
1    3
2    3
Name: count, dtype: int64

Sprawdzanie czy brakuje danych:

df = pd.read_csv('./titanic_train.tsv', sep='\t', index_col='PassengerId')
df.Age.isnull()

PassengerId
1      False
2      False
3      False
4      False
5      False
       ...  
887    False
888    False
889     True
890    False
891    False
Name: Age, Length: 891, dtype: bool

Dodawanie i modyfikowanie danych

df = pd.read_csv('./gapminder.csv', index_col='Country', nrows=5)

df

	female_BMI	male_BMI	gdp	population	under5mortality	life_expectancy	fertility
Country
Afghanistan	21.07402	20.62058	1311.0	26528741.0	110.4	52.8	6.20
Albania	25.65726	26.44657	8644.0	2968026.0	17.9	76.8	1.76
Algeria	26.36841	24.59620	12314.0	34811059.0	29.5	75.5	2.73
Angola	23.48431	22.25083	7103.0	19842251.0	192.0	56.7	6.43
Antigua and Barbuda	27.50545	25.76602	25736.0	85350.0	10.9	75.5	2.16

conts = pd.Series({
    'Afghanistan': 'Asia', 'Albania': 'Europe', 'Algeria':' Africa', 'Angola': 'Africa', 'Antigua and Barbuda': 'Americas'})

df['continent'] = conts

df['tmp'] = 1

df

	female_BMI	male_BMI	gdp	population	under5mortality	life_expectancy	fertility	continent	tmp
Country
Afghanistan	21.07402	20.62058	1311.0	26528741.0	110.4	52.8	6.20	Asia	1
Albania	25.65726	26.44657	8644.0	2968026.0	17.9	76.8	1.76	Europe	1
Algeria	26.36841	24.59620	12314.0	34811059.0	29.5	75.5	2.73	Africa	1
Angola	23.48431	22.25083	7103.0	19842251.0	192.0	56.7	6.43	Africa	1
Antigua and Barbuda	27.50545	25.76602	25736.0	85350.0	10.9	75.5	2.16	Americas	1

df.loc['Argentina'] = {
    'female_BMI': 27.46523,
    'male_BMI': 27.5017,
    'gdp': 14646.0,
    'population': 40381860.0,
    'under5mortality': 15.4,
    'life_expectancy': 75.4,
    'fertility': 2.24
}
df

	female_BMI	male_BMI	gdp	population	under5mortality	life_expectancy	fertility	continent	tmp
Country
Afghanistan	21.07402	20.62058	1311.0	26528741.0	110.4	52.8	6.20	Asia	1.0
Albania	25.65726	26.44657	8644.0	2968026.0	17.9	76.8	1.76	Europe	1.0
Algeria	26.36841	24.59620	12314.0	34811059.0	29.5	75.5	2.73	Africa	1.0
Angola	23.48431	22.25083	7103.0	19842251.0	192.0	56.7	6.43	Africa	1.0
Antigua and Barbuda	27.50545	25.76602	25736.0	85350.0	10.9	75.5	2.16	Americas	1.0
Argentina	27.46523	27.50170	14646.0	40381860.0	15.4	75.4	2.24	NaN	NaN

df.drop('gdp', axis='columns')

	female_BMI	male_BMI	population	under5mortality	life_expectancy	fertility	continent	tmp
Country
Afghanistan	21.07402	20.62058	26528741.0	110.4	52.8	6.20	Asia	1.0
Albania	25.65726	26.44657	2968026.0	17.9	76.8	1.76	Europe	1.0
Algeria	26.36841	24.59620	34811059.0	29.5	75.5	2.73	Africa	1.0
Angola	23.48431	22.25083	19842251.0	192.0	56.7	6.43	Africa	1.0
Antigua and Barbuda	27.50545	25.76602	85350.0	10.9	75.5	2.16	Americas	1.0
Argentina	27.46523	27.50170	40381860.0	15.4	75.4	2.24	NaN	NaN

Filtrowanie danych

Biblioteka pandas posiada 2 sposoby na filtrowanie danych zawartych w ramce danych:

operator [] -- najbardziej rozpowszechniony;
metoda query(). Oba sposoby mają różną składnię.

df = pd.read_csv('./titanic_train.tsv', sep='\t', index_col='PassengerId')

df.head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund\t Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen\t Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
5	0	3	Allen\t Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

df['Survived']

PassengerId
1      0
2      1
3      1
4      1
5      0
      ..
887    0
888    1
889    0
890    1
891    0
Name: Survived, Length: 891, dtype: int64

df['Survived'] == 1

PassengerId
1      False
2       True
3       True
4       True
5      False
       ...  
887    False
888     True
889    False
890     True
891    False
Name: Survived, Length: 891, dtype: bool

df[df['Pclass'] == 1]

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
7	0	1	McCarthy\t Mr. Timothy J	male	54.0	0	0	17463	51.8625	E46	S
12	1	1	Bonnell\t Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S
24	1	1	Sloper\t Mr. William Thompson	male	28.0	0	0	113788	35.5000	A6	S
...	...	...	...	...	...	...	...	...	...	...	...
872	1	1	Beckwith\t Mrs. Richard Leonard (Sallie Monypeny)	female	47.0	1	1	11751	52.5542	D35	S
873	0	1	Carlsson\t Mr. Frans Olof	male	33.0	0	0	695	5.0000	B51 B53 B55	S
880	1	1	Potter\t Mrs. Thomas Jr (Lily Alexenia Wilson)	female	56.0	0	1	11767	83.1583	C50	C
888	1	1	Graham\t Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S
890	1	1	Behr\t Mr. Karl Howell	male	26.0	0	0	111369	30.0000	C148	C

216 rows × 11 columns

Operatory

& - koniukcja (i)
| - alternatywa (lub)
~ - negacja (nie)
() - jeżeli mamy kilka warunków to warto je uporządkować w nawiasy

pierwsza_klasa = df['Pclass'] == 1
kobiety = df['Sex'] == 'female'

df[pierwsza_klasa & kobiety]

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
12	1	1	Bonnell\t Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S
32	1	1	Spencer\t Mrs. William Augustus (Marie Eugenie)	female	NaN	1	0	PC 17569	146.5208	B78	C
53	1	1	Harper\t Mrs. Henry Sleeper (Myna Haxtun)	female	49.0	1	0	PC 17572	76.7292	D33	C
...	...	...	...	...	...	...	...	...	...	...	...
857	1	1	Wick\t Mrs. George Dennick (Mary Hitchcock)	female	45.0	1	1	36928	164.8667	NaN	S
863	1	1	Swift\t Mrs. Frederick Joel (Margaret Welles B...	female	48.0	0	0	17466	25.9292	D17	S
872	1	1	Beckwith\t Mrs. Richard Leonard (Sallie Monypeny)	female	47.0	1	1	11751	52.5542	D35	S
880	1	1	Potter\t Mrs. Thomas Jr (Lily Alexenia Wilson)	female	56.0	0	1	11767	83.1583	C50	C
888	1	1	Graham\t Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S

94 rows × 11 columns


df[df['SibSp'] > df['Parch']]

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund\t Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
8	0	3	Palsson\t Master. Gosta Leonard	male	2.0	3	1	349909	21.0750	NaN	S
10	1	2	Nasser\t Mrs. Nicholas (Adele Achem)	female	14.0	1	0	237736	30.0708	NaN	C
...	...	...	...	...	...	...	...	...	...	...	...
861	0	3	Hansen\t Mr. Claus Peter	male	41.0	2	0	350026	14.1083	NaN	S
862	0	2	Giles\t Mr. Frederick Edward	male	21.0	1	0	28134	11.5000	NaN	S
864	0	3	Sage\t Miss. Dorothy Edith "Dolly"	female	NaN	8	2	CA. 2343	69.5500	NaN	S
867	1	2	Duran y More\t Miss. Asuncion	female	27.0	1	0	SC/PARIS 2149	13.8583	NaN	C
875	1	2	Abelson\t Mrs. Samuel (Hannah Wizosky)	female	28.0	1	0	P/PP 3381	24.0000	NaN	C

192 rows × 11 columns

`pd.DataFrame.query`

Innym sposobem na filtrowanie danych jest metoda query, która jako argument przyjmuje wyrażenie:

df.query('Pclass == 1').head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
7	0	1	McCarthy\t Mr. Timothy J	male	54.0	0	0	17463	51.8625	E46	S
12	1	1	Bonnell\t Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S
24	1	1	Sloper\t Mr. William Thompson	male	28.0	0	0	113788	35.5000	A6	S

df.query('(Pclass == 1) and (Sex == "female")').head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
12	1	1	Bonnell\t Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S
32	1	1	Spencer\t Mrs. William Augustus (Marie Eugenie)	female	NaN	1	0	PC 17569	146.5208	B78	C
53	1	1	Harper\t Mrs. Henry Sleeper (Myna Haxtun)	female	49.0	1	0	PC 17572	76.7292	D33	C

df.query('SibSp > Parch')

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund\t Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
8	0	3	Palsson\t Master. Gosta Leonard	male	2.0	3	1	349909	21.0750	NaN	S
10	1	2	Nasser\t Mrs. Nicholas (Adele Achem)	female	14.0	1	0	237736	30.0708	NaN	C
...	...	...	...	...	...	...	...	...	...	...	...
861	0	3	Hansen\t Mr. Claus Peter	male	41.0	2	0	350026	14.1083	NaN	S
862	0	2	Giles\t Mr. Frederick Edward	male	21.0	1	0	28134	11.5000	NaN	S
864	0	3	Sage\t Miss. Dorothy Edith "Dolly"	female	NaN	8	2	CA. 2343	69.5500	NaN	S
867	1	2	Duran y More\t Miss. Asuncion	female	27.0	1	0	SC/PARIS 2149	13.8583	NaN	C
875	1	2	Abelson\t Mrs. Samuel (Hannah Wizosky)	female	28.0	1	0	P/PP 3381	24.0000	NaN	C

192 rows × 11 columns

young = 18
df.query('Age < @young').shape

(113, 11)

Zadanie

Operacje na wierszach i kolumnach

df = pd.read_csv('./gapminder.csv', index_col='Country', nrows=5)

df

	female_BMI	male_BMI	gdp	population	under5mortality	life_expectancy	fertility
Country
Afghanistan	21.07402	20.62058	1311.0	26528741.0	110.4	52.8	6.20
Albania	25.65726	26.44657	8644.0	2968026.0	17.9	76.8	1.76
Algeria	26.36841	24.59620	12314.0	34811059.0	29.5	75.5	2.73
Angola	23.48431	22.25083	7103.0	19842251.0	192.0	56.7	6.43
Antigua and Barbuda	27.50545	25.76602	25736.0	85350.0	10.9	75.5	2.16

Iterowanie po ramce danych oznacza oznacza przejście po nazwach kolumn:

for column_name in df:
    print(column_name)

female_BMI
male_BMI
gdp
population
under5mortality
life_expectancy
fertility

for col_name, series in df.items():
    print(col_name, series)
    break

female_BMI Country
Afghanistan            21.07402
Albania                25.65726
Algeria                26.36841
Angola                 23.48431
Antigua and Barbuda    27.50545
Name: female_BMI, dtype: float64

for idx, row in df.iterrows():
    print(idx, '\n', row)
    break

Afghanistan 
 female_BMI         2.107402e+01
male_BMI           2.062058e+01
gdp                1.311000e+03
population         2.652874e+07
under5mortality    1.104000e+02
life_expectancy    5.280000e+01
fertility          6.200000e+00
Name: Afghanistan, dtype: float64

def bmi_level(bmi):
    if bmi <= 18.5:
        level =  'underweight'
    elif bmi < 25:
        level =  'normal'
    elif bmi < 30:
        level =  'overweight'
    else:
        level = 'obese'
    return level

s = df['male_BMI'].map(bmi_level)
    
s

Country
Afghanistan                normal
Albania                overweight
Algeria                    normal
Angola                     normal
Antigua and Barbuda    overweight
Name: male_BMI, dtype: object

def bmi_level(row_data):
    bmi = row_data['male_BMI']
    if bmi <= 18.5:
        return 'underweight'
    elif bmi < 25:
        return 'normal'
    elif bmi < 30:
        return 'overweight'
    return  'obese'

df.apply(bmi_level, axis=1)

Country
Afghanistan                normal
Albania                overweight
Algeria                    normal
Angola                     normal
Antigua and Barbuda    overweight
dtype: object

df.transpose()

Country	Afghanistan	Albania	Algeria	Angola	Antigua and Barbuda
female_BMI	2.107402e+01	2.565726e+01	2.636841e+01	2.348431e+01	27.50545
male_BMI	2.062058e+01	2.644657e+01	2.459620e+01	2.225083e+01	25.76602
gdp	1.311000e+03	8.644000e+03	1.231400e+04	7.103000e+03	25736.00000
population	2.652874e+07	2.968026e+06	3.481106e+07	1.984225e+07	85350.00000
under5mortality	1.104000e+02	1.790000e+01	2.950000e+01	1.920000e+02	10.90000
life_expectancy	5.280000e+01	7.680000e+01	7.550000e+01	5.670000e+01	75.50000
fertility	6.200000e+00	1.760000e+00	2.730000e+00	6.430000e+00	2.16000

Zadanie

Grupowanie (`groupby`)

Często zdarza się, gdy potrzebujemy podzielić dane ze względu na wartości w zadanej kolumnie, a następnie obliczenie zebranie danych w każdej z grup. Do tego służy metody groupby.

import pandas as pd

df = pd.read_csv('./nba.csv')

df.sample(5)

	Name	Team	Number	Position	Age	Height	Weight	College	Salary
202	Solomon Hill	Indiana Pacers	44.0	SF	25.0	6-7	225.0	Arizona	1358880.0
286	Tim Frazier	New Orleans Pelicans	2.0	PG	25.0	6-1	170.0	Penn State	845059.0
210	Joe Young	Indiana Pacers	1.0	PG	23.0	6-2	180.0	Oregon	1007026.0
420	Nazr Mohammed	Oklahoma City Thunder	13.0	C	38.0	6-10	250.0	Kentucky	222888.0
258	Tony Allen	Memphis Grizzlies	9.0	SG	34.0	6-4	213.0	Oklahoma State	5158539.0

_Przykład: chcemy obliczyć średnią wypłatę dla każdej z drużyn.

df[['Team', 'Salary']].groupby('Team').mean().head()

	Salary
Team
Atlanta Hawks	4.860197e+06
Boston Celtics	4.181505e+06
Brooklyn Nets	3.501898e+06
Charlotte Hornets	5.222728e+06
Chicago Bulls	5.785559e+06

Możemy też podać listę nazw kolumn. Wtedy wartości zostaną obliczone dla każdej z wytworzonych grup:

df.groupby(['Team', 'Position'])['Salary'].mean()

Team                Position
Atlanta Hawks       C           7.585417e+06
                    PF          5.988067e+06
                    PG          4.881700e+06
                    SF          3.000000e+06
                    SG          2.607758e+06
                                    ...     
Washington Wizards  C           8.163476e+06
                    PF          5.650000e+06
                    PG          9.011208e+06
                    SF          2.789700e+06
                    SG          2.839248e+06
Name: Salary, Length: 149, dtype: float64

sum()
min()
max()
mean()
size()
describe()
first()
last()
count()
std()
var()
sem()

df[['Position', 'Salary']].groupby('Position').agg(['mean', 'std', 'count'])

	Salary
	mean	std	count
Position
C	5.967052e+06	5.787989e+06	78
PF	4.562483e+06	4.800054e+06	97
PG	5.077829e+06	5.051809e+06	88
SF	4.857393e+06	6.011889e+06	84
SG	4.009861e+06	4.491609e+06	99

def group_range(x):
    return x.max() - x.min()

df[['Position', 'Salary']].groupby('Position').apply(group_range)

	Salary
Position
C	22275967.0
PF	22081286.0
PG	21412973.0
SF	24969112.0
SG	19944278.0

gb = df.groupby(['Position'])

print('Liczba grup:', gb.ngroups)
print(gb.groups.keys())

print(gb.get_group('C').head())

Liczba grup: 5
dict_keys(['C', 'PF', 'PG', 'SF', 'SG'])
               Name            Team  Number Position   Age Height  Weight  \
7      Kelly Olynyk  Boston Celtics    41.0        C  25.0    7-0   238.0   
10  Jared Sullinger  Boston Celtics     7.0        C  24.0    6-9   260.0   
14     Tyler Zeller  Boston Celtics    44.0        C  26.0    7-0   253.0   
23      Brook Lopez   Brooklyn Nets    11.0        C  28.0    7-0   275.0   
27       Henry Sims   Brooklyn Nets    14.0        C  26.0   6-10   248.0   

           College      Salary  
7          Gonzaga   2165160.0  
10      Ohio State   2569260.0  
14  North Carolina   2616975.0  
23        Stanford  19689000.0  
27      Georgetown    947276.0


df.Height.str.split('-').str[0].astype('Int64') * 2.56

0      15.36
1      15.36
2      15.36
3      15.36
4      15.36
       ...  
453    15.36
454    15.36
455    17.92
456    17.92
457     <NA>
Name: Height, Length: 458, dtype: Float64

Pivot

Metoda pivot pozwala na stworzenie nowej ramki danych, gdzie indeks i nazwy kolumn są wartościami początkowej ranki danych.

_Przykład: zobaczmy na poniższą ramkę danych, która zawiera informacje o jakości tłumaczenia dla pary językowej hausa-angielski. Kolumna system zawiera nazwę systemu, kolumna metric - nazwę metryki, zaś kolumna score- wartość metryki. Chcemy przedstawić te dane w następujący sposób: jako klucz chcemy mieć nazwę systemu, zaś jako kolumny - metryki. Możemy wykorzystać do tego metodę pivot, gdzie musimy podać 3 argumenty:

index: nazwę kolumny, na podstawie której zostanie stworzony indeks;
columns: nazwa kolumny, które zawiera nazwy kolumn dla nowej ramki danych;
values: nazwa kolumny, która zawiera interesujące nas dane.

df = pd.read_csv('https://raw.githubusercontent.com/wmt-conference/wmt21-news-systems/main/scores/automatic-scores.tsv', sep='\t')
df = df[df.pair == 'ha-en']
df

	pair	system	id	is_constrained	metric	score
1214	ha-en	NiuTrans	382	True	bleu-all	16.512243
1215	ha-en	NiuTrans	382	True	chrf-all	44.724766
1216	ha-en	NiuTrans	382	True	bleu-A	16.512243
1217	ha-en	NiuTrans	382	True	chrf-A	44.724766
1218	ha-en	Facebook-AI	181	False	bleu-all	20.982704
1219	ha-en	Facebook-AI	181	False	chrf-all	48.653770
1220	ha-en	Facebook-AI	181	False	bleu-A	20.982704
1221	ha-en	Facebook-AI	181	False	chrf-A	48.653770
1222	ha-en	TRANSSION	336	False	bleu-all	18.834851
1223	ha-en	TRANSSION	336	False	chrf-all	47.238279
1224	ha-en	TRANSSION	336	False	bleu-A	18.834851
1225	ha-en	TRANSSION	336	False	chrf-A	47.238279
1226	ha-en	AMU	628	True	bleu-all	14.132845
1227	ha-en	AMU	628	True	chrf-all	41.256570
1228	ha-en	AMU	628	True	bleu-A	14.132845
1229	ha-en	AMU	628	True	chrf-A	41.256570
1230	ha-en	P3AI	715	True	bleu-all	17.793617
1231	ha-en	P3AI	715	True	chrf-all	46.307402
1232	ha-en	P3AI	715	True	bleu-A	17.793617
1233	ha-en	P3AI	715	True	chrf-A	46.307402
1234	ha-en	Online-B	1356	False	bleu-all	18.655658
1235	ha-en	Online-B	1356	False	chrf-all	46.658216
1236	ha-en	Online-B	1356	False	bleu-A	18.655658
1237	ha-en	Online-B	1356	False	chrf-A	46.658216
1238	ha-en	TWB	1335	False	bleu-all	12.326443
1239	ha-en	TWB	1335	False	chrf-all	40.282629
1240	ha-en	TWB	1335	False	bleu-A	12.326443
1241	ha-en	TWB	1335	False	chrf-A	40.282629
1242	ha-en	ZMT	553	False	bleu-all	18.837023
1243	ha-en	ZMT	553	False	chrf-all	47.231474
1244	ha-en	ZMT	553	False	bleu-A	18.837023
1245	ha-en	ZMT	553	False	chrf-A	47.231474
1246	ha-en	Manifold	437	True	bleu-all	16.943915
1247	ha-en	Manifold	437	True	chrf-all	45.638356
1248	ha-en	Manifold	437	True	bleu-A	16.943915
1249	ha-en	Manifold	437	True	chrf-A	45.638356
1250	ha-en	Online-Y	1374	False	bleu-all	13.898531
1251	ha-en	Online-Y	1374	False	chrf-all	44.842874
1252	ha-en	Online-Y	1374	False	bleu-A	13.898531
1253	ha-en	Online-Y	1374	False	chrf-A	44.842874
1254	ha-en	HuaweiTSC	758	True	bleu-all	17.492440
1255	ha-en	HuaweiTSC	758	True	chrf-all	46.795737
1256	ha-en	HuaweiTSC	758	True	bleu-A	17.492440
1257	ha-en	HuaweiTSC	758	True	chrf-A	46.795737
1258	ha-en	MS-EgDC	896	True	bleu-all	17.133350
1259	ha-en	MS-EgDC	896	True	chrf-all	45.266274
1260	ha-en	MS-EgDC	896	True	bleu-A	17.133350
1261	ha-en	MS-EgDC	896	True	chrf-A	45.266274
1262	ha-en	GTCOM	1298	False	bleu-all	17.794272
1263	ha-en	GTCOM	1298	False	chrf-all	46.714831
1264	ha-en	GTCOM	1298	False	bleu-A	17.794272
1265	ha-en	GTCOM	1298	False	chrf-A	46.714831
1266	ha-en	UEdin	1149	True	bleu-all	14.887836
1267	ha-en	UEdin	1149	True	chrf-all	42.247415
1268	ha-en	UEdin	1149	True	bleu-A	14.887836
1269	ha-en	UEdin	1149	True	chrf-A	42.247415

df.pivot(index='system', columns='metric', values='score')

metric	bleu-A	bleu-all	chrf-A	chrf-all
system
AMU	14.132845	14.132845	41.256570	41.256570
Facebook-AI	20.982704	20.982704	48.653770	48.653770
GTCOM	17.794272	17.794272	46.714831	46.714831
HuaweiTSC	17.492440	17.492440	46.795737	46.795737
MS-EgDC	17.133350	17.133350	45.266274	45.266274
Manifold	16.943915	16.943915	45.638356	45.638356
NiuTrans	16.512243	16.512243	44.724766	44.724766
Online-B	18.655658	18.655658	46.658216	46.658216
Online-Y	13.898531	13.898531	44.842874	44.842874
P3AI	17.793617	17.793617	46.307402	46.307402
TRANSSION	18.834851	18.834851	47.238279	47.238279
TWB	12.326443	12.326443	40.282629	40.282629
UEdin	14.887836	14.887836	42.247415	42.247415
ZMT	18.837023	18.837023	47.231474	47.231474

Zadanie

Dane tekstowe

pandas posiada udogodnienia do pracy z wartościami tekstowymi:

dostęp następuje przez atrybut str;
funkcje:
- formatujące: lower(), upper();
- wyrażenia regularne: contains(), match();
- inne: split()

df = pd.read_csv('./titanic_train.tsv', sep='\t', index_col='PassengerId')

df.head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund\t Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings\t Mrs. John Bradley (Florence Briggs T...	female	38.0	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen\t Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle\t Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
5	0	3	Allen\t Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

df.Name.str.upper()

PassengerId
1                               BRAUND\t MR. OWEN HARRIS
2      CUMINGS\t MRS. JOHN BRADLEY (FLORENCE BRIGGS T...
3                                HEIKKINEN\t MISS. LAINA
4          FUTRELLE\t MRS. JACQUES HEATH (LILY MAY PEEL)
5                              ALLEN\t MR. WILLIAM HENRY
                             ...                        
887                               MONTVILA\t REV. JUOZAS
888                        GRAHAM\t MISS. MARGARET EDITH
889            JOHNSTON\t MISS. CATHERINE HELEN "CARRIE"
890                               BEHR\t MR. KARL HOWELL
891                                 DOOLEY\t MR. PATRICK
Name: Name, Length: 891, dtype: object

print(df.Name.head())
df.Name.str.contains('Miss|Mrs').head()

PassengerId
1                             Braund\t Mr. Owen Harris
2    Cumings\t Mrs. John Bradley (Florence Briggs T...
3                              Heikkinen\t Miss. Laina
4        Futrelle\t Mrs. Jacques Heath (Lily May Peel)
5                            Allen\t Mr. William Henry
Name: Name, dtype: object

PassengerId
1    False
2     True
3     True
4     True
5    False
Name: Name, dtype: bool

df.Name.str.split('\t', expand=True)

	0	1
PassengerId
1	Braund	Mr. Owen Harris
2	Cumings	Mrs. John Bradley (Florence Briggs Thayer)
3	Heikkinen	Miss. Laina
4	Futrelle	Mrs. Jacques Heath (Lily May Peel)
5	Allen	Mr. William Henry
...	...	...
887	Montvila	Rev. Juozas
888	Graham	Miss. Margaret Edith
889	Johnston	Miss. Catherine Helen "Carrie"
890	Behr	Mr. Karl Howell
891	Dooley	Mr. Patrick

891 rows × 2 columns

df.Name.str.split('\t')

PassengerId
1                             [Braund,  Mr. Owen Harris]
2      [Cumings,  Mrs. John Bradley (Florence Briggs ...
3                              [Heikkinen,  Miss. Laina]
4        [Futrelle,  Mrs. Jacques Heath (Lily May Peel)]
5                            [Allen,  Mr. William Henry]
                             ...                        
887                             [Montvila,  Rev. Juozas]
888                      [Graham,  Miss. Margaret Edith]
889          [Johnston,  Miss. Catherine Helen "Carrie"]
890                             [Behr,  Mr. Karl Howell]
891                               [Dooley,  Mr. Patrick]
Name: Name, Length: 891, dtype: object

df.Name.str.split('\t').str[1]

PassengerId
1                                  Mr. Owen Harris
2       Mrs. John Bradley (Florence Briggs Thayer)
3                                      Miss. Laina
4               Mrs. Jacques Heath (Lily May Peel)
5                                Mr. William Henry
                          ...                     
887                                    Rev. Juozas
888                           Miss. Margaret Edith
889                 Miss. Catherine Helen "Carrie"
890                                Mr. Karl Howell
891                                    Mr. Patrick
Name: Name, Length: 891, dtype: object

df.Name.str.split('\t').str[1].str.strip().str.split(' ').str[0]

PassengerId
1        Mr.
2       Mrs.
3      Miss.
4       Mrs.
5        Mr.
       ...  
887     Rev.
888    Miss.
889    Miss.
890      Mr.
891      Mr.
Name: Name, Length: 891, dtype: object

Zadanie

Zestaw nba.csv zawiera informaję o wysokości zawodników. Oblicz wzrost każdego z zawodników w systemie metrycznym przyjmując, że stop to 30.48 cm., a cal to 2.54 cm.

235 KiB Raw Blame History Unescape Escape

Analiza Danych w Pythonie: pandas

pandas

Zadanie 0: sprawdź, czy masz zainstalowaną bibliotekę pandas.

Szeregi (pd.Series)

Podsumowanie

Zadanie 1

Ramka danych (pd.DataFrame)

Wczytywanie danych

Podsumowanie

Zapis i eksport danych

Pandas pozwala w prosty sposób na zapisywanie ramki danych do pliku.

Zadanie

Ramka danych - podstawy

Kolumny

Podstawowe metody pd.Series i pd.DataFrame

Operacja arytmetyczne

Dodawanie i modyfikowanie danych

Filtrowanie danych

Operatory

pd.DataFrame.query

Zadanie

Operacje na wierszach i kolumnach

Zadanie

Grupowanie (groupby)

Pivot

Zadanie

Dane tekstowe

Zadanie

235 KiB

Raw Blame History

Analiza Danych w Pythonie: `pandas`

`pandas`

Zadanie 0: sprawdź, czy masz zainstalowaną bibliotekę `pandas`.

Szeregi (`pd.Series`)

Ramka danych (`pd.DataFrame`)

Podstawowe metody `pd.Series` i `pd.DataFrame`

`pd.DataFrame.query`

Grupowanie (`groupby`)