Excel zu Python mit Jupyter: Teil 2

1. Einführung: Guten Tag und willkommen zu dieser Einführung in Excel Python mit Jupiter Teil zwei. Dies ist ein Kurs zur gemeinsamen Nutzung von Fähigkeiten. In dieser Einführung wird dieser Kurs mit der Einführung in die Programmiersprache Python fortgesetzt . Wir gehen davon aus, dass Sie neu in Python sind, aber mit Excel und Tabellenkalkulationen vertraut Wir werden Jupiter Lab als Python-Codierungsumgebung verwenden . Beachten Sie nur, dass dies Teil zwei des Kurses ist, und konzentrieren Sie sich auf weitere Excel-Python-Beispiele. Wir zeigen Ihnen Excel-Operationen wie das Sortieren, Filtern und Hinzufügen berechneter Spalten. Wir verwenden Pandas und zeigen Ihnen, wie Sie Daten gruppieren, Spitzenwerte finden und Daten mit Diagrammen visualisieren können Wir werden auch fortgeschrittene Themen wie V-Suche, Indexabgleich und Python behandeln. Schließlich werden wir uns mit der Bereinigung von Daten in Tabellen und der Durchführung statistischer Operationen befassen. Wir werden dieselben Excel-Daten verwenden, um die zuvor verwendeten Beispiele festzulegen. Dies ist ein Beispiel für die Daten, vier Spalten, ID, Carme, Modell und Preis Dies ist ein Abschnitt der Beispiele, die ich behandeln werde. Zum Beispiel arbeiten wir in Excel üblicherweise mit Durchschnitt, Max und Min, und wir zeigen Ihnen, wie Sie dieselben Beispiele auch in Python machen können. V Lou und Index Matching in Python sehr beliebt und nützlich, genauso wie Sie es in Excel verwenden können. Wir zeigen Ihnen also, wie Sie das in Python ganz einfach machen können. Großartig. Lass uns anfangen. 2. PROJEKT: Nun, ein Ansatz aus erster Hand um zu verstehen, was wir behandeln werden, ist eigentlich ein Projekt. Hier werden Sie also sehen, was Sie in diesem zweiten Teil eines Kurses behandeln werden . Laden Sie also noch einmal die CSV-Datei mit dem Dam-Datenpunkt aus dem Abschnitt Ressourcen dieses Kurses herunter, und Sie müssen die Daten für dieses Projekt verarbeiten und die Daten auch grafisch darstellen. Das sind also Daten, mit denen Sie mit Stadtbussen arbeiten werden , Bevölkerung in Millionen. Sie müssen also Städte mit mehr als 21,5 Millionen Einwohnern extrahieren Städte mit mehr als 21,5 Millionen Einwohnern und in einer CSV-Datei speichern Berechne den Durchschnittspreis aller Städte und das Histogramm der Auch dies sind die Dinge, die Sie im Kurs lernen werden. Sie müssen also noch ein Balkendiagramm der Stadt mit Städten mit mehr als 21,5 Millionen Einwohnern erstellen , Beschriftungen für die X- und Y-Achse Ihres Grundstücks hinzufügen, einen Titel hinzufügen und schließlich Ihr Grundstück speichern und als CSV-Datei hochladen Großartig. Jetzt wissen Sie, womit Sie arbeiten und was Sie in diesem Kurs lernen werden. Großartig. Lass uns anfangen. 3. Lektion 01 Erste Schritte: Großartig, fangen wir mit Lektion eins an. Machen wir uns mit der Python-Codierungsumgebung vertraut , die Sie verwenden werden, nämlich Jupiter Lab. Sie gehen zu diesem Link, Jupiter lab dot Github IO slash Demo slashlablash index dot MO, und Sie werden einen Browser sehen, der Ihnen die Möglichkeit gibt , auf meine Notebook-Option zu Also hier werden wir die Python Podide Notebook-Option verwenden Python Podide Notebook-Option Auch hier sehen Sie, was Sie sehen werden, wenn Sie auf den Link gehen und die Option Notizbuch sehen und wir Python Piodide auswählen Das haben Sie also schon einmal gemacht. Aber jetzt, in diesem zweiten Teil, werden wir Kartendaten verwenden zwei Punkte, CSV fünf, die Sie im Abschnitt Ressourcen des Kurses finden . Sie laden das einfach herunter und laden Ihre Duple-Lab-Umgebung hoch, wie wir es Ihnen im ersten Teil des Kurses gezeigt haben Ihnen im ersten Teil des Kurses Klicken Sie dazu auf der linken Seite der Werkzeugleiste auf die Schaltfläche „Hochladen dazu auf der linken Seite der Werkzeugleiste auf die Also nochmal, was Sie tun müssen , wenn Sie Daten einlesen möchten, insbesondere CC-Dateien, zuerst würde ich sagen, Pandas als PD importieren Und dann werden wir die Daten in der DF-Variablen speichern. Das steht eigentlich für Datenrahmen. So speichert Panda Daten. Wir können es also in DF speichern und Sie setzen das damit gleich, wie wir das machen werden Also, wie wir Daten einlesen werden, wir werden PD Dot Read CSV verwenden Dadurch lesen wir die CSV-Datei ein und geben ihr einen Namen, Kartendaten mit zwei Punkten, CSV. Wenn Sie dann DF ausdrucken, erhalten Sie Ihren Datensatz, der in der Formel-CSV-Datei enthalten war , und Sie können sehen, wie die Daten hier dargestellt werden. Jetzt nicht mehr der Unterschied im Layout, wenn Sie Drucken nicht verwenden. Wenn Sie einfach DF sagen und das ausführen, erhalten wir in JupraLab ein sehr schönes Tabellenlayout , das auch etwas einfacher zu lesen und zu sehen ist Wir werden das im Kurs verwenden. Jetzt eine sehr nützliche Eigenschaft für Datenrahmen, indem Sie auf beliebige Eigenschaften zugreifen, Sie können Punkt und verschiedene Eigenschaften sagen . Wir werden Barrieren überwinden. Aber die erste Methode, über die wir immer Bescheid wissen sollten ist die Head-Methode oder die Head-Funktion, die Ihnen die ersten fünf Zeilen Ihres Datensatzes oder Ihres Datenrahmens anzeigt . Jetzt können wir eine andere Zahl angeben, zum Beispiel zehn oder eins oder 11 oder wie viele Sie möchten, aber es ist eine sehr nützliche Eigenschaft oder Methode, um mit Datenrahmen zu verwenden und darauf zuzugreifen. Ein sehr nützliches ASOR ist jetzt die Punktinformation für Ihren Datenrahmen D info gibt Ihnen Informationen über die Spalten und Zeilen. Das Wichtigste dabei ist, wie Pandas in Ihrem Datensatz gelesen haben Wir können sehen, dass wir verschiedene Spalten haben und wir können sehen, dass sie jetzt nein sind, dass Werte dargestellt werden, und der Typ D ist eigentlich der wichtigste, den man sich ansehen sollte Denn hier erfahren Sie, wie Pandas in der CSV-Datei lesen und wie sie aktuell gespeichert ist Derzeit wird die ID-Spalte als Ganzzahl gespeichert. Car Mac wird als Objekt gespeichert, Pandas stellt Zeichenketten und Texte als Objekt dar, was Sie erwarten Das Modelljahr wird als int dargestellt. Alle Datumsfelder, die wir eigentlich nicht als Ganzzahl haben wollen, wollen wir als Datums- und Uhrzeitfeld, zu dem Sie gelangen, weil wir so die Daten nach unseren Wünschen filtern und ändern können wir so die Daten nach unseren Wünschen filtern und ändern Wir werden das aber später ändern. Preisspalte wird als Float dargestellt, was wir auch erwarten. Das war also eine Zusammenfassung, nur um dort anzufangen , wo wir in Teil eins aufgehört haben Der einzige Unterschied besteht darin, dass wir DF verwenden , nicht zum Speichern der Daten, nicht der Datenvariablen, und dass wir Autodaten als CSV-Datei verwenden Großartig. Fahren wir mit der nächsten Lektion fort. 4. Lektion 02 Excel-ähnliche Operationen in Python: Großartig. Hören Sie sich El-Operationen in Python an. Also haben wir die Daten schon einmal eingelesen. In der vorherigen Lektion werden wir es jetzt noch einmal machen. Sie diesen Schritt wiederholen, geben Sie Pandas PD, DF gleich P Punkt Read CSV und den Dateinamen Kartendaten in Punkt Denken Sie daran, dass die Unterstriche ebenfalls sehr wichtig sind Das erste, was wir tun werden , ist nach Spalten zu sortieren. Nun, das ist in Excel durchaus üblich und wir können dies auch in Python mit Pandas problemlos tun Wie machen wir das? Nun, auch hier verweisen wir auf unseren Datenrahmen DF. Alle unsere Daten werden in DF gespeichert und wir verwenden den Punkt, um bestimmte Parameter oder Methoden abzurufen bestimmte Parameter oder Methoden denen wir die Daten tatsächlich ändern und modifizieren können. Es gibt also eine eingebaute, genau wie wir Head und Info verwenden. Es gibt auch einen, der als Sortierwerte bezeichnet wird. Was Sie also tun werden , ist Werte zu sortieren. Und es gibt bestimmte Parameter, die wir für diese eingebaute Methode auswählen können. Wir sortieren also nicht nur Werte, wir wollen die Werte auch nach dem Preis sortieren. Und wie wollen wir das dann? Eine weitere Eigenschaft bezieht sich darauf, wie es sortiert werden soll, während wir es aufsteigend falsch machen wollen Warum ist das die Reihenfolge, nach der wir es sortieren wollen. Lassen Sie uns sehen, wenn wir das ausführen, wir bekommen das nach Preis sortierte Ergebnis, und wir sehen die höchsten Preise oben, und es geht in dieser Reihenfolge. Also habe ich dir gerade die ersten fünf gezeigt. Du kannst es natürlich ändern, weißt du , auch zehn daraus machen. Dann war das vorher einfach nicht gelaufen, lass mich das hier nochmal überprüfen. Dann machen wir es hier drüben. Da haben wir's. Das ist eine gute Methode um zu sehen, ob etwas schief geht, was zu tun ist. Die vorherige Art von DF wurde tatsächlich nicht ausgeführt. Deshalb hat es nicht funktioniert. Es ist auch eine gute Praxis. Wenn Sie ein Problem sehen, versuchen Sie es zu lösen, und oft ist es so Sie die vorherige Zelle nicht ausgeführt haben, Sie haben die vorherige Zelle nicht ausgeführt. Diese sind nützlich, um zu sehen, wie das behoben werden kann. Als nächstes können wir Rose filtern. So möchten wir zum Beispiel Rose nach Autopreisen von mehr als 20.000$ filtern nach Autopreisen von mehr als 20.000$ Das können wir also ganz einfach in Python machen. Nun, wir ändern nicht unbedingt den Datenrahmen. Wir filtern ihn. Wir filtern es also so , dass wir einen neuen Datenrahmen oder eine Teilmenge von Datenrahmen erstellen müssen, der prüft, ob die Werte größer und kleiner als 20.000 sind Der erste, den wir uns tatsächlich ansehen müssen, ist der DF-Preis. Wenn wir uns nur die innere Klammer ansehen, was sich in der Klammer befindet. Was sich innerhalb der Klammer befindet, ist, dass wir nur überprüfen, ob der aktuelle Wert in der Preisspalte größer als 2000 ist . Wenn ja, erhalten Sie einen booleschen Wert. Boolean ist entweder wahr oder falsch. Es wird Ihnen tatsächlich einen neuen Datenrahmen geben. Da wir eigentlich nur auf einen Datenpreis in einer Spalte zugreifen, wird dieser als Serie bezeichnet, es sich um eine einzelne Tabelle mit einer einzigen Spalte handelt. Dadurch erhalten Sie jedoch Werte wie wahr oder falsch. Und was wir dort tun, ist , dass wir die wahren und falschen Werte nehmen und diese jetzt auf unseren äußeren Datenrahmen anwenden. Auf diese Weise filtern wir. Wir wollen nur die Zeilen sehen, die wahr sind. Das ist standardmäßig das , was passieren wird. Die falschen werden nicht angezeigt. Und wenn du es ausführst, wirst du Folgendes sehen. Sie werden sehen, dass Ihre Ausgabe zusammengeklappt ausgeführt wird Sie werden nur die CarMx-Autos mit einem Wert von mehr als 20.000 sehen CarMx-Autos mit einem Wert von mehr als 20.000 So filtern Sie Zeilen, und Sie können Daten auf verschiedene Arten filtern Und das ist eine Möglichkeit, das zu tun. Nun zu einigen zusammenfassenden Statistiken. Excel-Funktionen wie Durchschnitt und Max und Min werden also häufig verwendet, und das können wir mit Pandas ganz einfach tun Wenn man sich also nur anschaut, ob man zum Beispiel nur auf die Spalte Kernpreis im Datenrahmen zugreifen nur auf die Spalte Kernpreis im Datenrahmen Wir können darauf zugreifen, genau wie Sie es mit Kopf und Info gemacht haben, ähm, jetzt können wir auch den Mittelwert nur für diese Spalte berechnen. Max können wir nur das Maximum Mit Dot Max können wir nur das Maximum für die Spalte berechnen. Wir können den Mindestwert für diese Spalte ermitteln. Dies sind all die verschiedenen Eigenschaften oder spezifischen Methoden, wir mit Pandas standardmäßig zugreifen Ich drucke es hier aus und das sind die Ergebnisse , die wir bekommen Also berechnete Spalten hinzufügen. So können wir eine neue Spalte mit Formeln hinzufügen. Zum Beispiel der Preis für den Rabatt von 10% . Also wie macht man das? Nun, lassen Sie uns zunächst wieder auf die eine Preisspalte zugreifen. Alles, was wir tun, fügen wir einen Rabatt von 10% hinzu, mal um 0,9, und das sparen wir in einen reduzierten Preis Wir sparen es zu einem vergünstigten Preis. Lassen Sie uns das überprüfen und Sie können in der neuen Spalte hier sehen , dass es sich um einen reduzierten Preis handelt, wenn Sie zuerst die ersten fünf anzeigen , dass es sich um einen reduzierten Preis handelt, wenn Sie zuerst die Auch hier kann es geändert und zu Ihrem Datenrahmen hinzugefügt werden. Wir können also auch Pivot-Tabellen verwenden. Pivot-Tabellen sind weit verbreitet und werden in Excel verwendet, und das können wir auch mit Python tun. Jetzt mache ich das wieder mit der Achse des Datenrahmens, und alles, was wir tun, ist , eine Gruppe nach Methode zu verwenden und wir spezifizieren, dass wir nach karmischen Werten gruppieren wollen Und wie wollen wir es gruppieren? Nun, wir wollen den Durchschnitt der Preise ermitteln. Also schauen wir mal, was wir bekommen. Also gab es ein paar Gruppen. Es gab Honda und Kyoto, die gruppiert wurden. Die anderen waren einzigartig, aber sie wurden in der Kategorie zusammengefasst. Die Berechnung basiert auf dem Durchschnitt der Honda und Kyota, die ich herstelle Ich denke, Kia, es gab auch mehr als eine Option für Kia Jetzt können Sie auch die Top-Endwerte finden. In Exil können Sie bedingte Formatierungen oder Filter verwenden bedingte Formatierungen oder Filter , um die oberen Endwerte hervorzuheben Python ist ziemlich einfach. Auch hier haben Sie diese Methode namens Punkt Enlargest und Sie können angeben, okay, geben Sie mir die drei größten Werte basierend auf dem Preis Und wenn Sie das ausführen, erhalten Sie die ersten drei recht schnell und einfach, um die gesamte Unabhängigkeit zu erreichen Falls Sie in Excel die Funktionen für Groß- und Kleinschreibung verwenden möchten , verfügen Sie über diese Funktionalität. Auch in Pandas. Auch hier wirst du vielleicht auf das Karmische zugreifen , weil das Saiten Das ist Text. Also sagen wir hier nicht einfach oben, weil wir jetzt in verschiedenen Eigenschaften darauf zugreifen. Wir müssen auf die String-Eigenschaften zugreifen. So sagen wir Punktfolge. Und als Teil von Dot String haben wir standardmäßig die Methode mit dem oberen Punkt, der nur alle Buchstaben in Großbuchstaben erstellt Es gibt verschiedene andere Eigenschaften von string, und dies ist nur eine davon . Großartig. Das siehst du. Die Automarke schreiben wir jetzt in Großbuchstaben. Sie können, wie ich bereits erwähnt habe, zwei Kyotos 202 Kyo sehen zwei Kyotos 202 Das vorherige Beispiel zeigt nur , wie man sie gruppiert, um einen Durchschnitt zu finden Jetzt können Sie auch eine Spalte hinzufügen, die auf einer Bedingung basiert. Das machen Sie in El ziemlich oft, wenn Sie die If-Anweisung verwenden, die Bedingung ist wahr, wenn falsch. Jetzt können Sie dies ganz einfach mit Python und einer Lambda-Funktion Ich kann hier anfangen und sagen, wenn X 15.000 ist, dann ist das Ergebnis ja, sonst ist es nein Dies ist ein Format, das Sie mit einer einzeiligen Funktion schreiben können . Es gibt andere Möglichkeiten, dies zu tun, aber das ist nur eine Möglichkeit. Das Schöne an Pfannen ist, dass wir diese Funktionalität überall anwenden können . Auch hier agieren wir wie eine Preisspalte und verwenden eine Punktmethode, was wir anwenden, wenden diese Funktion Wir prüfen, ob X größer als 15.000 ist, platzieren ja, sonst platzieren wir nein, und wir speichern das in einem neuen Säulenkabel , ist das teuer Dort können Sie sehen, wenn Sie das ausführen, sehen Sie ja, nein, ja, nein, nein, vier. Autos über 15.000 würden mit Ja oder Nein, Nein oder Ja bewertet werden. Bei dieser Bestellung habe ich vorhin über das Modelljahr gesprochen, also die Umwandlung von Zeichenketten in Datumsangaben. Exil, Sie können einen Datumswert verwenden oder Zellen als Daten formatieren. Python, das kannst du ganz einfach tagsüber machen. In diesem Fall werden Sie das Modelljahr in ein Datetime-Format konvertieren Ich werde keine Zeichenfolge mehr verwenden, sondern ein Datetime-Format, und wir werden es als Jahr beibehalten Wir werden das speichern und es fast in die bestehende Spalte Modelljahr überschreiben es fast in die bestehende Spalte Modelljahr Wenn Sie das haben, sehen Sie, ähm, das Modell wurde, Sie wissen schon, geändert Wir können auch Rang bekommen. Rang ist eine Bolt-in-Funktion in Excel. Auch hier können Sie für die Preisspalte Rang und aufsteigend ein False verwenden und nur die ersten fünf Sie können auch Rang verwenden. Gleitender Durchschnitt. Dies ist der gleitende Durchschnitt und die Exil-Funktion, die Sie verwenden können Sie können einen ähnlichen Ansatz verwenden Jetzt gibt es Bolting, Meta, Quad-Rolling. Sie können auch den Wert für Windows 3 oder den gewünschten Breit-Wert und den Wout-Punkt wählen gewünschten Breit-Wert und den Wout-Punkt wählen Dann erhalten Sie erwartungsgemäß den gleitenden Durchschnitt für die ersten fünf Werte für die ersten fünf Werte, wie Sie sehen können Großartig. Gut gemacht, dass du so weit gekommen bist. Hoffentlich können Sie die Vorteile von Python und all die verschiedenen Funktionen, die Sie in Python von Exl aus ausführen können Großartig. Lassen Sie uns mit der nächsten Lektion fortfahren. 5. Lektion 03 Fortgeschrittene Operationen und Statistiken: Lassen Sie uns mit Lektion drei, Fortgeschrittene Operationen und Statistiken, fortfahren . Deshalb haben wir Informationsbeispiele in Python behandelt und erklärt, wie Sie das tun können was Sie in Excel und Python tun können. Jetzt werden wir Filter verwenden, um bestimmte Zeilen zu finden. Jetzt können wir, wie schon zuvor, die CSV-Datei mit dieser Zeile einlesen. Und jetzt wollen wir bestimmte Zeilen bekommen. Und wie wir Ihnen bereits gezeigt haben, wollen wir, wenn wir etwas Bestimmtes wollen, eine Tabelle mit wahren und falschen Werten erstellen , eine Tabelle mit diesen Werten, die wir verwenden werden , um unseren Hauptdatenrahmen herauszufiltern. Wir haben also einen in der Mitte, einen in der Mitte, einen den inneren Klammern, dann haben wir den Datenrahmen an Land, den wir filtern wollen Schauen wir uns also zuerst diesen an. In Ordnung. Also wollen wir alle Zeilen finden , die den Comic-Toyota enthalten. Um das zu tun, werden wir zuerst auf das Säulenmikrofon verweisen. Und dann müssen wir auf eine Methode zugreifen, die Zeichenketteneigenschaften hat, also sagen wir Punktzeichenfolge. Ein Teil der Punktfolge ist dann , dass sie eine andere Methode namens contains hat. Wir haben es schon einmal gemacht, die Methode „ upper and lower “ und „ string dot string“ hat viele andere Methoden oder Untermethoden, die sie verwenden kann. Contains ist eine davon. Also prüft es. Enthält die Zeichenfolge das Wort Toyota? Und das gibt uns eine einzige Tabelle mit Wahr und Falsch. Alle Zeilen geben uns, ob diese Zeile Iota enthält oder nicht Wahr oder falsch? Und dann wenden wir das auf unseren Hauptdatenrahmen DF hier in den eckigen Klammern an. Das Ergebnis sind bestimmte Zeilen. Und wenn Sie es ausführen, sehen wir unseren neuen Datenrahmen, nur zwei Zeilen mit einem karmischen Toyota und einem Tota hat Auf diese Weise können Sie schnell und einfach nur die Daten filtern , die Sie sehen möchten . Sehr nützlich und praktisch. Find and Replace ist ein gängiges Tool in Exl, in Python können Sie es auch sehr einfach machen Jetzt ändern wir die Spalte speziell. Wir verwenden einfach DF Comic, um sie zuerst zu referenzieren, und dann verwenden wir eine eingebaute Methode namens replace und ersetzen Teota Wenn Sie das ausführen, können wir sehen, dass zuerst die ersten fünf ausgedruckt werden. Wir können sehen, dass Choda durch Corolla ersetzt wurde Sehr schneller und einfacher Weg, das zu tun. Um doppelte Zeilen zu entfernen. In El mit Pandas können Sie Duplikate auf verschiedene Arten erstellen. Wenn eine Rose ein exaktes Duplikat von sich selbst ist, können Sie DFT-Drop-Duplikate verwenden und diese Zeile wird dann vollständig entfernt Ein Beispiel, wenn Sie sie nur ausdrucken möchten, obwohl es in diesem Beispiel keine Duplikate gibt, aber wenn Sie möchten, können Sie Wenn Sie fehlende Daten eingeben möchten, was manchmal der Fall ist Wir können die vollständige NA-Methode verwenden und diese auf unseren Datenrahmen anwenden. Und womit möchtest du es füllen? Wir können es mit Null, Eins oder was auch immer Sie wollen füllen. Aber etwas, das vielleicht etwas zutreffender ist, lassen Sie uns es vielleicht füllen, wenn wir eine leere Zelle, ein leeres Feld finden . Lassen Sie uns das durch die Spalte mit den anderen Durchschnittspreisen ersetzen. Aber nette Art, einen leeren Wert zu füllen. Auch dieses Beispiel hat das nicht, aber Sie können es bei Bedarf jederzeit in Ihrem eigenen Beispiel verwenden. Um vielleicht viele Spalten von Zeilen zu löschen, können Sie die Drop-Methode verwenden Wenn Sie zum Beispiel die Preisspalte löschen möchten. Sie können einfach DF verwenden dies auf Ihren gesamten Datenrahmen anwenden, den Spaltennamen löschen und dann angeben. Wir verwenden nur die Preisspaltenfolge, von der Sie sehen, dass keine Preisspalte mehr ist, sobald Sie diesen Befehl ausführen. Be Lou und Index Matching, offensichtlich sehr beliebt und nützlich in Excel, und wir können dasselbe in Python tun. Auch in diesem Fall verwenden wir zwei innere und äußere Datenrahmen. Der innere gibt uns eine Tabelle, eine einspaltige Tabelle oder eine Reihe von wahren und falschen Werten, und er wird nur überprüfen, ob die ID in diesem Fall der Fahrzeug-ID entspricht, wir haben es gerade auf fünf gemacht. Es wird prüfen, ob es der ID entspricht? Wenn nicht, wird es falsch sein. Wir werden eine Liste mit einzelnen Spalten mit Wahr und Falsch erhalten . Wir wenden das auf den anderen Datenrahmen und erhalten Fahrzeugdetails. Dann, wie Sie sehen können, gibt es nur eine Nummer fünf, und das ist die Zeile , die wir herausnehmen werden. Eine weitere nützliche Sache, die Sie vielleicht mit V Lou verwenden könnten, ist die Kombination von Daten aus zwei Blättern. Jetzt habe ich mithilfe der Zusammenführungsfunktion auch zusätzliche Daten hinzugefügt . Ich habe hier ein Wörterbuch mit zwei Listen und einer ID erstellt , damit ich es der vorhandenen zuordnen kann. Und was ich tatsächlich hinzufüge, ist der Kilometerstand. Ich füge es nur zu den ersten fünf Zeilen hinzu. Ich erstelle einen neuen Datenrahmen und ich kann dieses Wörterbuch hier einfach als Eingabe hinzufügen und um einen neuen Datenrahmen zu erstellen, sage ich PD Dataframe sage ich PD Dataframe füge das Wörterbuch hinzu und ich habe meinen neuen Datenrahmen, den ich Was ich jetzt tun werde, ist ihn mit Pd Dot Merge zusammenzuführen, meinen ursprünglichen Datenrahmen mit meinem neuen DF zwei, und ich möchte ihn auf ID zusammenführen und wie Es ist eine linke Zeichnung, was meinen ursprünglichen Datenrahmen DF bedeutet , der bereits alle Daten enthält. Das werden meine Hauptdaten sein und sie werden dort bleiben und nur alles , was auf der ID damit übereinstimmt, wird hinzugefügt. Ausgedruckt wirst du sehen, wie Meilen zu den ersten fünf hinzugefügt wurden Erstellen Sie Pivot-Tabellen für zusammenfassende Statistiken, etwas, das wir bereits früher behandelt haben , aber das ist ein anderer Weg In Python hat der Datenrahmen standardmäßig Pivotables als Methode und hat bestimmte Parameter , die Sie in Form von Werten verwenden können Wir können auf den Index der Preisspalte verweisen. Es wird ein Modelljahr und Ag Funk werde ich sein. Das werden wir verwenden , um zu spezifizieren. So drucken Sie es aus, sobald Sie diese Zeilendaten ausgeführt haben . Dann wieder Daten transponieren, etwas, um Zeilen und Spalten umzudrehen Das geht ganz schnell und einfach , nur DFT. Und wenn Sie das ausführen, erhalten Sie Ihren Datenrahmen , der hier als umgedreht dargestellt wird Wir haben das zuvor manuell gemacht, indem wir die durchschnittlichen Werte für Min und Max verwendet haben. Sie können auch die integrierte Beschreibungsmethode von Panda verwenden, die Ihnen standardmäßig diese Werte, durchschnittliche Abweichung und verschiedene andere Dinge Wenn Sie DF Punkt beschreiben sagen und das ausführen, werden Sie sehen, dass Sie Statistiken über Daten erhalten Zähle bis Mittelwert, sanare Abweichung, Minimum, verschiedene Quantile und Maximum für alle Daten In diesem Zusammenhang ist der Preis die einzige Spalte, die relevant ist, aber es ist sehr praktisch, um ein Gefühl für Ihre Daten zu bekommen Aggregationen. Wenn Sie benutzerdefinierte Formeln und Pivot-Tabellen verwenden möchten, können Sie das tun Wenn Sie zum Beispiel bestimmte Spalten, Gruppen, Einkäufe, Karma und relativ zum Preis gruppieren möchten , können Sie den Aggregationsmittelwert maximal und min definieren und Sie können diese auch gruppieren. Sie verwenden eine Aggregationsmethode und Sie bekommen nur diese Funktionen in Ihren benutzerdefinierten Statistiken angezeigt und Sie können verschiedene andere Funktionen hinzufügen Aber wir verwenden nur die ausgedruckten Mittelwerte von Max und M, um benutzerdefinierte Statistiken für die verschiedenen Felder zu erhalten benutzerdefinierte Statistiken für die Wenn Sie beispielsweise eine prozentuale Änderung hinzufügen möchten , können Sie Formeln wie B zwei minus B eins, a B eins verwenden. Das können Sie auch ganz einfach mit Preisänderungen tun. Spalte, wenn du das hinzufügst. Sie können die integrierte Methode zur Preisänderung verwenden, die der Spalte Preis hinzugefügt wird. Wenn Sie das erhalten, erhalten Sie diesen Wert hier oder Sie erhalten die Tabelle hier, was Sie für die Preisänderung für die verschiedenen Werte erwarten . Sie können auch eine kumulative Summe, einen Summenbereich oder kumulative Formeln berechnen also eine CM-Summe verwenden, können Sie sie auf die Preisspalte anwenden und erhalten den kumulierten Und Sie drucken es aus, das erhalten Sie mit all Ihren Daten Auch Korrelation, sehr wichtig und nützlich in Excel. Korrelieren Sie Bereich eins und Bereich zwei. Auch hier geht es um das Modelljahr, das mit dem Preis korreliert, und Sie möchten die Korrelation zwischen Modell und Preis ermitteln zwischen Modell und Preis Sie können eine Korrelation von 0,68 feststellen, was bedeutet, dass R ziemlich eng korreliert Gut gemacht, das sind einige fortgeschrittene Operationen und Statistiken, die so weit kommen Lassen Sie uns mit der nächsten Lektion fortfahren. 6. Lektion 04 Plotbeispiele: Großartig. Gehen wir nun zu Lektion vier über, in der es darum geht, Beispiele zu zeichnen Hier ist ein grundlegendes Liniendiagramm , das wir behandeln werden, und Excel verwendet Linientrab für bestimmte Trends Wie wir Ihnen bereits gezeigt haben, verwenden wir in Python eine Plotbibliothek namens MatplotLib Pilot is PLT, und wir werden sie zum Plotten verwenden Lassen Sie uns nun zuerst unsere CSV-Datei hier drüben einlesen , wie Speziell für Liniendiagramme wollen wir nur die ersten zehn Zeilen verwenden. Ich habe es gefiltert, indem ich einfach Df Punkt Kopf zehn gesagt habe und ESMA DF zwei gespeichert Um nun den interaktiven Modus auszuschalten, das ist nur für Jupraab Du kannst das machen. Und wenn wir plt dot Iof ausführen, wie spezifizieren wir dann das Liniendiagramm Nun, wir sagen einfach df dot plot. Es gibt eine Methode. Geben Sie die X-Werte Y-Werte an und um welches Diagramm handelt es sich? Wir wollen ein Liniendiagramm und fügen einen Titel, Preisentwicklung nach Modelljahr, ein Y-Label und einen Preis hinzu. Wenn wir diesen Code ausführen, erhalten wir Folgendes. Um das wirklich zu planen , müssen wir plt dot I on und plt dot show sagen plt dot I on und plt dot Auf diese Weise erhalten Sie ein Diagramm des Jahres im Vergleich zum Preis Ihres Datenmodells Jetzt machen wir einen Barhot. Jetzt starten Sie erneut mit dem Umschalten des interaktiven Modus. Auch in Ihrem eigenen Beispiel müssen Sie das nicht wirklich tun, aber für meine Präsentation werde ich, wir werden ein Balkendiagramm erstellen. Also tolle Balkendiagramme. Es ist nützlich, Kategorien und kategoriale Daten zu vergleichen. Um das zu tun, verwenden wir in diesem Fall DF und sagen Handlung Auch hier gilt: Comic-mäßig ist der Preis wie ein Balkendiagramm und der Titel Sobald Sie das ausgeführt haben, erhalten Sie ein Balkendiagramm der verschiedenen Daten, die wir im Vergleich zum Preis haben Und dann ein Kreisdiagramm zu erstellen, und das ist offensichtlich nützlich, um Proportionen mithilfe von Kreisdiagrammen zu visualisieren Wir müssen zuerst gruppieren, wir müssen nach karmischem Wert gruppieren, und dann, relativ zum Preis und zur kumulativen Summe, werden wir das alles in einer Linie darstellen Das Art Kreisdiagramm oder das Kreisdiagramm. Dies ist nur ein bestimmter Parameter Zeichnen von Kreisdiagrammen müssen Sie sich keine Gedanken machen, aber standardmäßig gibt uns 1.1 den ähm, den Wert, den Sie im Kreisdiagramm sehen werden, und den Titel die Verteilung nach Karmic Sobald Sie das ausgeführt haben, werden Sie sehen, dass dies die Verteilung ist und dass dies die Prozentsätze des Werts waren , den Sie hier gesehen haben. Der Auto-PCT, das ist der 1.1 F. So werden die Prozentsätze verteilt Dies sind die Werte bei C. Dies ist eine typische hohe Verteilung eines Mikrofons Also werden wir wieder den interaktiven Modus ausschalten und ein Histogramm erstellen Auch hier verwenden wir für Excel ein Histogramm für die Häufigkeitsverteilung, und auch hier verwenden wir DF Denken Sie daran, dass wir für das Liniendiagramm DF 2 verwenden, aber für die restlichen Diagramme verwende ich DF, nur um anzuzeigen, mit wie viel mehr Daten Sie arbeiten Histogramm zu zeigen ist also eine Art Hist, eine Reihe von Bins, die wir als fünf Titel wählen können : Gewürzverteilung, Farbe, Himmelblau, Randfarbe ist Dann können wir auch ein X-Label dafür hinzufügen und wir können das angezeigte Diagramm ausführen, dann ist das die Preisverteilung nach Distrikten für die Diagramme für die Daten Um ein Streudiagramm zu erstellen, das auch sehr nützlich ist , um Beziehungen zwischen Variablen, DFA-Diagramm, X-Achse, Modelljahr oder Y-Achsenpreis aufzuzeigen DFA-Diagramm, X-Achse, , oder die Y-Daten oder Xata sind Streutitel, Preis im Vergleich zum Modell, Farben rot und fügen auch eine Preis im Vergleich zum Modell, Farben rot und fügen Und wenn Sie das ausführen, erhalten wir mit diesen Befehlen das Streudiagramm eines Modelljahres im eines Wir können also auch einen Boxplot erstellen, um die Datenverteilung mithilfe von Box- und Whiskerdiagrammen zu visualisieren Also hier werden wir DF Dot Box Plot verwenden. Dies ist eine einzigartige Art von Handlung. In der Kolumne wird der Preis pro Mikrofon angegeben. Wir werden keine Raster - oder Vertikaleigenschaften verwenden, sondern sie einfach falsch angeben. Fügen Sie einen Titel, einen Untertitel und eine Bezeichnung hinzu. Wenn Sie das haben, erhalten Sie Ihren Boxplot und verschiedene Distributionen für Toyota Lexis, Kia Dies waren Optionen mit mehreren Zeilen. Und die Preisverteilung. Dann machen wir ein Diagramm mit mehreren Linien. Mehrzeiliges Diagramm, plotten Sie mehrere Reihen in einem Diagramm. Auch hier verwenden wir tatsächlich DF zwei. Für die Liniendiagramme verwenden wir also DF zwei und alle Diagramme von DF , weil die Diagramme nicht proportional sein werden. Also verwenden wir DF zwei und ich mache nur eine Kopie davon speichere es in mehreren DF. Was ich herausfinden möchte, ist, auch einen ermäßigten Preis auszuarbeiten auch einen ermäßigten Preis auszuarbeiten Ich habe das in der Spalte und dann werde ich den Modellpreis im Vergleich zu einem reduzierten Preis angeben Ich kann den Vergleich zwischen zwei verschiedenen Liniendiagrammen sehen zwischen zwei verschiedenen Liniendiagrammen Der Zweck besteht darin, zwei verschiedene Liniendiagramme zu zeigen, nur mit einem Rabatt von 10%, wie wir es zuvor getan haben. Wenn wir das tun, gehen wir raus, wir können sehen, dass wir zwei verschiedene Grundstücke bekommen und Sie können sehen, dass sie ziemlich genau übereinstimmen, wobei eines offensichtlich nur einen um 10% unterschiedlichen Preis gegenüber dem reduzierten Preis Balkendiagramme sind auch sehr nützlich, um den Beitrag zur Gesamtsumme mithilfe gestapelter Balkendiagramme darzustellen zur Gesamtsumme mithilfe gestapelter Balkendiagramme Sie können wiederum nach kumulierter Summe, Art, Balkendiagramm und gestapeltem Balkendiagramm gruppieren kumulierter Summe, Art, Balkendiagramm und gestapeltem Balkendiagramm gruppieren Sie können also auch verwenden. Und da ist die Art der Handlung, die Sie sehen werden. Großartig. Dies ist nur eine etwas ausführlichere Einführung in all die verschiedenen Arten von Diagrammen, die Sie in Python verwenden können , und etwas, das Sie auch in Excel verwenden könnten in Excel verwenden , und wie Sie von einem zum anderen springen können. Großartig. Hoffentlich war das nützlich. Fahren wir mit der nächsten Lektion fort. 7. Lektion 05 Daten konvertieren: Ordnung. Hören Sie fünf, hier werden wir uns auf die Konvertierung von Daten konzentrieren. In diesem Abschnitt werden wir uns ansehen, wie Daten in verschiedenen Formaten konvertiert werden. Wenn Sie nun Folgendes eingeben, müssen wir den Datenrahmen in eine CSV-Datei konvertieren. Wir haben mit Daten gearbeitet, wir haben sie modifiziert und geändert. In Exil speichern wir Daten normalerweise im CSV-Format, um sie einfach teilen zu Das können wir auch in Python machen. Wenn wir also unseren Datenrahmen nach Belieben modifiziert und gefiltert und sortiert und geändert haben, können wir das jetzt tatsächlich konvertieren und als neue CSV-Datei speichern , in zwei CSV-Dateien. Und wieder können wir es als Autos speichern, die CSV-Daten enthalten, und den Index als falsch belassen. Und dann sollten Sie, wenn Sie das ausführen, diese Datei auch in Ihrem UPLA-Labor speichern lassen Wenn Sie den Datenrahmen auch in das JSON-Format konvertieren möchten. Auch hier ist JSN für Web - oder Datenbankanwendungen vorgesehen Sie können dies ganz einfach mit der Methode mit zwei JSN tun , die außerhalb des gesamten Sie können es vielleicht einfach Autodaten oder JSON nennen oder nach Datensätzen und Zeilen entspricht Diese können sich je nachdem, was Sie ausgeben, ändern. Um einen Datenrahmen in HML zu konvertieren ihn für die Anzeige im Internet oder für Berichte zu konvertieren, können Sie einfach HML mit Punkt zwei verwenden und ihn als Cars-Data-2-HML speichern, und der diskrete Index Während der Konvertierung von Daten können Sie auch Datenrahmen in die Formate Excel, SQL Parke und Feather Es gibt viele Möglichkeiten, das Becken je nach Bedarf umzurechnen das Becken je nach Bedarf Großartig. Damit ist der Kurs tatsächlich abgeschlossen, hoffentlich lernst du etwas und jetzt kannst du deine Übung machen, konkret an dem Projekt arbeiten. 8. Abschluss: Abschließend fassen wir nur zusammen, worauf Sie sich konzentrieren In diesem Kurs konzentrieren wir uns darauf, unsere Python-Fähigkeiten anhand von Excel aufzubauen. Wir haben Ihnen das Jupiter-Labor und die Umgebung gezeigt , wie man Python-Code schreibt. Wir haben Ihnen auch einige erweiterte Funktionen von Python für Excel gezeigt . Gewinnen Sie Arbeit mit einem kleinen Datensatz. Wir haben Ihnen gezeigt, wie Sie Statistiken filtern, sortieren, aggregieren, gruppieren und trainieren können. Wir haben Ihnen gezeigt, wie Sie verschiedene Diagramme erstellen und Datenrahmen in verschiedene Formate konvertieren können. Python hat viel mehr zu bieten, als wir behandeln wollen. Seien Sie gespannt auf den nächsten Kurs und viel Spaß beim Programmieren. Danke.