Pandas pour l'analyse des données : maîtriser le traitement des données en Python

1. Intro: Bienvenue dans le cours sur les pandas. Dans ce cours, nous allons explorer Pandas, l'une des bibliothèques les plus essentielles pour l'analyse de données en Python Ce cours vous fournira les connaissances de base nécessaires pour travailler efficacement avec les données. Nous allons commencer par configurer notre environnement de travail à l'aide de l'algèbre d' Anaconda et d'un bloc-notes afin de nous assurer que vous disposiez des bons outils pour le Une fois que ce sera prêt, nous aborderons les principes fondamentaux de Pandas, en apprenant à créer, à manipuler et à analyser des trames de données, la structure de données de base de Pandas Après avoir maîtrisé les bases, nous passerons à travailler avec des ensembles de données du monde réel, téléchargés à partir de sources ouvertes Vous apprendrez à nettoyer, transformer et organiser les données afin de les préparer à une analyse plus approfondie. Vous trouverez le lien de téléchargement du jeu de données dans la description de la classe. Nous explorerons également l' indexation multiple et les tableaux croisés dynamiques, puissants outils permettant de structurer et de résumer les et de résumer Ensuite, nous aborderons la visualisation des données et les pandas, en transformant les chiffres bruts en graphiques clairs et informatifs Nous apprendrons également à stocker des trames de données dans une base de données, les récupérer en cas de besoin et à utiliser des requêtes SQL directement dans Pandas pour interagir avec des données structurées À la fin de ce cours, vous serez en mesure d'utiliser Pandas pour analyser des données réelles, qu'il s'agisse d' organiser des données brutes ou d'extraire pertinentes. Commençons. 2. Démarrer avec Pandas : installation, configuration d'Anaconda, carnet de notes Jupyter: Bonjour, les gars. Bienvenue dans le cours sur les pandas De nos jours, les données sont l'une des ressources les plus précieuses du monde moderne, et il est crucial de pouvoir les manipuler, les analyser et les visualiser efficacement. C'est là que Pandas, l'une des bibliothèques Python les plus puissantes pour l'analyse de données, entre en jeu Pandas fournit un moyen rapide, flexible et convivial de travailler avec des données structurées Que vous utilisiez des feuilles de calcul, des ensembles de données volumineux ou des bases de données, Pandas vous permet de nettoyer, transformer et d'analyser les données Il est largement utilisé dans la science des données, la finance, l'apprentissage automatique et dans de nombreux autres domaines où les décisions basées sur les données sont essentielles. La maîtrise de cette bibliothèque est essentielle pour tous ceux qui travaillent avec données, qu'il s'agisse d'analystes, de chercheurs ou de développeurs de logiciels L'un des principaux avantages de l'utilisation de Pandas sa capacité à gérer et à analyser efficacement de grands volumes de données grâce à des structures spéciales qui facilitent le travail avec les tableaux de données et leur analyse Avant de commencer à travailler avec les pandas, nous devons nous préparer Nous allons d'abord explorer la distribution d'anaconda et les environnements virtuels Nous pouvons donc choisir ce qui vous convient le mieux. Anaconda est une distribution de Python. Cela inclut non seulement PyTon lui-même, mais également de nombreuses autres bibliothèques et outils utiles pour l'analyse des données et le calcul spécifique L'un des principaux avantages d'Anaconda est qu' il est livré avec des bibliothèques préinstallées telles que Napi, Sky Pie, Mud Blood Leap, Jupiter et, bien sûr, Pandas Cela simplifie considérablement ce type d'environnement pour l' analyse des données et vous permet commencer rapidement à travailler sur un projet. Conda est un gestionnaire de packages et d' environnements pour Python. Cela vient avec Anaconda. Il vous permet d'installer, de mettre à jour et de gérer des versions de packages Python et d'autres outils logiciels. L'un des principaux avantages de Conda est sa capacité à créer des environnements isolés. Dans ces environnements, vous pouvez installer différentes versions de Python et de ses packages, en évitant les conflits entre les différents projets et en garantissant la stabilité de votre code. Passons maintenant à l'entraînement. Tout d'abord, rendez-vous sur la page d'installation et suivez les instructions. Je vais commencer par montrer comment l' installer sur macOS puis sur Ubuntu. Pour macOS, cliquez sur lien du programme d'installation de macOS et téléchargez le programme d'installation. Ouvrez le fichier de téléchargement et lancez le processus d'installation. Suivez les instructions, autorisez les autorisations, acceptez les conditions et attendez que l' installation soit terminée Le processus prendra quelques minutes. Une fois Anaconda installé, il vous sera demandé de mettre à jour Anaconda Navigator Mettons-le donc à jour. Après la mise à jour, vous pouvez immédiatement démarrer Jupiter Notebook et commencer à travailler. En haut, vous verrez les environnements virtuels par défaut créés par Conda avec toutes les dépendances, vous n'avez donc pas besoin d'installer Pandas. Il y est déjà. Vous verrez le serveur Jupiter démarrer et vous pourrez ouvrir un document que vous possédez déjà ou en créer un nouveau. Comme vous pouvez le constater, tout fonctionne et Pandas est prêt à être utilisé Maintenant, continuons avec Ubuntu. Accédez au lien Linux Installer. Tout d'abord, installez toutes les dépendances. Téléchargez ensuite le programme d'installation pour Linux. Ouvrez le terminal. Exécutez le fichier téléchargé et lancez l'installation en suivant les instructions. Acceptez les termes du contrat de licence et suivez les instructions de la documentation Lorsque vous y êtes invité, sélectionnez Oui pour initialiser Anaconda. Ensuite, ouvrez le terminal et désactivez l'activation automatique de l'environnement de base. Lors de l'installation d' anaconda, la désactivation l'activation automatique de l'environnement de base permet éviter un encombrement inutile dans le terminal, vous permet de mieux contrôler l'environnement à activer et d'éviter toute utilisation accidentelle de l'environnement de base, en particulier lors de la en particulier lors De cette façon, vous pouvez travailler dans une configuration plus propre et plus flexible. Redémarrez le terminal pour vous assurer que l'environnement de base est désactivé Vous pouvez répertorier toutes les dépendances à l'aide de la commande Conda list Enfin, lancez Anaconda Navigator. À partir de là, suivez les mêmes étapes. Lancez Jupiter, ouvrez un nouveau fichier ou un fichier déjà créé, et commencez à travailler avec Pandas Lorsque vous ouvrez Anaconda Navigator et que vous accédez à l'onglet Environnements, vous verrez l'environnement de développement de base, créé par défaut par Anaconda Vous pouvez ajouter ou supprimer un nouvel environnement de développement ou gérer l'environnement de base existant. Ici, vous pouvez voir ce qui est déjà installé ou utiliser la fonction de recherche pour trouver et installer directement les packages nécessaires. Si vous préférez, comme moi, utiliser le terminal, vous pouvez ouvrir l' environnement de développement directement depuis le terminal et installer toutes les dépendances à l'aide du gestionnaire de packages P. Vous pouvez également gérer des environnements virtuels et installer Jupiter et Panda séparément sans Anaconda Ce serait une façon complètement différente organiser votre espace de travail. Maintenant, mettons-nous au travail. 3. La série Pandas expliquée : Créer, manipuler et comparer avec les tableaux NumPy: Alors mettons-nous au travail. Si vous décidez de ne pas utiliser Anaconda et de travailler avec un environnement virtuel, vous pouvez installer Pandas à l'aide de la commande Pep Install Pandas la commande Pep Pandas fournit des structures de données robustes et faciles à utiliser , parfaites pour la manipulation et l'analyse des données Les principales structures de données Pandas sont les séries et les trames de données. Ces structures sont conçues pour gérer différents types de données et fournissent de puissantes méthodes manipulation et d'analyse des données. Une série est un objet semblable à un tableau unidimensionnel. Cela peut contenir des données de tout type, y compris des entiers, des chaînes, des flottants, etc. Cela ressemble à une colonne dans une feuille de calcul ou un tableau de données. Chaque élément d'une série possède une étiquette associée appelée index, qui permet un accès rapide aux données. Un bloc de données est une structure de données tabulaire bidimensionnelle avec des axes, des lignes et des colonnes étiquetés C'est similaire aux feuilles de calcul ou aux tables SQL. Avant de nous plonger dans ces structures, il est important de comprendre que Pandas est construit sur une autre bibliothèque fondamentale de Python appelée Nam Pi C'est l'abréviation de Python numérique, et c'est une bibliothèque qui prend en charge les tableaux et les matrices Bien qu'une série Panda et tableau numpi puissent sembler similaires à première vue, il existe quelques différences importantes Une série possède un index qui étiquette chaque élément, ce qui facilite l'accès aux données par étiquette plutôt que simplement par position entière. Un tableau, en revanche, n'utilise que des positions entières. Une série peut contenir des données de types mixtes, tandis qu'un tableau numpi est homogène, ce qui signifie que tous les éléments doivent être du même type Importons la bibliothèque Pandas et vérifions sa version. Créons maintenant un bloc de données à partir des données que nous avons déjà. Et pour cela, je crée un dictionnaire de listes. Liste. Je vais importer Napi et utiliser la fonction randint, nous avons abordée dans le cours Numpi Je vous suggère de vous y familiariser. La fonction random génère nombres aléatoires à virgule flottante à partir de la distribution normale standard. La fonction SID est utilisée pour initialiser le générateur de nombres aléatoires avec une valeur CID spécifique Cela est utile à des fins de reproductibilité exemple dans les simulations ou scénarios de test dans lesquels vous souhaitez pouvoir reproduire la même séquence de nombres aléatoires Nous pouvons maintenant voir notre trame de données. Il ressemble à un tableau et se compose de lignes représentées par des étiquettes d'index et de colonnes représentées par des étiquettes de colonnes. Chaque colonne est une série. Chaque élément du bloc de données est accessible à l'aide des étiquettes de ligne et de colonne. En bref, une trame de données dans Pandas peut être considérée comme un ensemble d' objets sérieux où chaque série représente une colonne dans une trame de données J'ai retiré les pièces inutiles. Une série et des pandas peuvent être créés à partir de différents types de données, y compris des listes. Nous en avons déjà un. Créons donc une série à partir de cette liste. Lors de la création d'une série à partir d'une liste, Bandas convertit la liste en une structure semblable à un tableau unidimensionnel avec un index associé Pour créer une série à partir d'une liste, vous utilisez la série DP et vous transmettez la liste comme argument. Vous pouvez également éventuellement fournir un index pour étiqueter les éléments. Lorsque vous ne fournissez pas d'index, Pandas assigne automatiquement un index entier à partir de zéro Créons une autre série. En tant que donnée, je passe X, et en tant qu'index, je passe notre première liste L. Nous pouvons également transmettre des arguments sans leur nom et obtenir le même résultat. Créons une série à partir d'un dictionnaire. Si nous utilisons une telle structure de données, nous obtiendrons une série où les clés agissent sur l'index et les valeurs représentent les données. Et ici, nous pouvons clairement voir que pour le prochain exemple, je vais créer deux séries contenant des données et des indices. Imaginons une situation dans laquelle vous souhaitez associer deux séries Panda à l'aide de l'opérateur plus. Pandas effectue une addition par élément en fonction de l'alignement de ses indices Cela signifie que les valeurs de chaque indice de la série 1 sont ajoutées aux valeurs du même indice de la série 2. Nous avons plusieurs indices identiques ici, donc leurs numéros correspondants sont ajoutés. Si un indice est présent dans une série mais pas dans l'autre, le résultat pour cet indice sera aucun, pas un chiffre, indiquant une valeur manquante. Il est important de noter que même si nous avons initialement transmis des données entières, le résultat contient des nombres flottants Cela est dû au fait que Pandas convertit automatiquement les nombres entiers en nombres flottants lors d' opérations mathématiques afin de gérer les valeurs et de garantir cohérence lors de la combinaison de différents types Ce comportement permet une manipulation des données plus flexible et plus robuste, en tenant compte de manière fluide des valeurs manquantes et des types de données mixtes Continuons avec le bloc de données. 4. Maîtriser les images de Pandas : accès, modification, filtrage et indexation: Continuons avec les blocs de données. Je vais commencer par le document et importer toutes les bibliothèques nécessaires. Créons notre premier bloc de données avec des données aléatoires. Je vais générer un bloc de données avec quatre lignes et quatre colonnes. Pour remplir ce bloc de données avec des nombres aléatoires, je vais utiliser une fonction qui génère des valeurs aléatoires. Je transmettrai également une liste sous forme d'index et définirai les étiquettes des colonnes. Il en résulte une trame de données typique. Pour accéder à une colonne, nous utilisons la notation entre crochets et transmettons le nom de la colonne. Si nous avons besoin de plusieurs colonnes, nous transmettons une liste de noms de colonnes. En fait, nous pouvons effectuer des opérations sur des colonnes de trames de données comme avec des séries, telles que l'addition, la soustraction et la multiplication Par exemple, ajoutons une nouvelle colonne au bloc de données. Je vais lui donner un nouveau nom, et il s'agira de certaines des colonnes T et R. Par conséquent, nous avons maintenant une nouvelle colonne. Pour supprimer une ligne, nous utilisons la fonction de suppression. Par exemple, si je supprime la ligne avec l'index A, elle peut sembler supprimée au début. Cependant, si j'appelle à nouveau la trame de données, la ligne A est toujours là. Cela se produit parce que Pandas ne modifie pas le bloc de données en place à moins que nous ne spécifiions un paramètre sur place égal à true La définition de place égale à true garantit que les modifications sont conservées dans le bloc de données. Dans le cas contraire, le bloc de données d'origine reste inchangé. De même, pour supprimer une colonne, nous utilisons la fonction de dessin, mais nous devons définir le paramètre de l'axe égal à un. Puisque l'axe par défaut est égal à zéro, cela fait référence à la suppression de lignes. J'ajoute « place » égal à deux pour que les modifications prennent effet immédiatement. Et ici, nous avons supprimé la ligne, et si je spécifie un axe égal à zéro, rien ne changera. Il s'agit de la valeur par défaut. L'attribut shape renvoie un tuple qui indique le nombre de lignes et de colonnes du bloc de données. C'est utile lorsque vous devez vérifier rapidement la taille d'un bloc de données ou valider les dimensions des données. Les lignes peuvent être sélectionnées en transmettant l'étiquette de ligne à la fonction log. N'oubliez pas que pour sélectionner une colonne, nous n'avons pas besoin de la fonction de journalisation. Nous pouvons simplement utiliser la notation entre crochets. Si nous voulons sélectionner des lignes à l'aide d' indexation basée sur des entiers, nous utilisons Iloc Cela nous permet de récupérer des lignes en fonction leur position numérique, quel que soit leur index nommé. Par exemple, en utilisant IoC zéro, nous renverrons la première ligne. Pour plus de commodité, je vais afficher à nouveau notre bloc de données. Pour extraire un sous-ensemble spécifique de lignes et de colonnes, nous utilisons la fonction log et transmettons les étiquettes des lignes et des colonnes à l'aide d'une notation virgule Si nous voulons un sous-ensemble de lignes et de colonnes spécifiques, nous transmettons deux listes, une pour les lignes et une pour les colonnes Et ici, nous pouvons voir le sous-ensemble de la colonne RT, et sous forme de zéros, il existe de nombreuses situations où nous avons besoin d'un sous-ensemble de données répondant Et pour cela, Pandas fournit des fonctionnalités de filtrage. Pandas permet une sélection conditionnelle pour filtrer les données en fonction de conditions spécifiques Par exemple, si nous voulons sélectionner toutes les valeurs de données supérieures à zéro, la sortie sera une trame de données filtrée dans laquelle enregistrements non correspondants sont remplacés par aucun, et non par un nombre. Essayons maintenant le filtrage basé sur les colonnes. J'extrairai les données en fonction de la condition où la colonne E a des valeurs supérieures à zéro. Au départ, la sortie affichera des valeurs booléennes, true lorsque la condition est remplie et false dans le cas Pour récupérer les données réelles qui répondent à la condition, nous devons appliquer la condition directement au bloc de données. Cela ne renverra que les lignes dont la valeur de la colonne E est supérieure à zéro. Si nous modifions la condition, par exemple en sélectionnant des valeurs supérieures à un, la sortie reflétera cette nouvelle condition en conséquence. La méthode de réinitialisation de l'index nous permet de rétablir l'index numérique par défaut. Lorsque nous réinitialisons l'index, l'ancien index est ajouté sous forme colonne et un nouvel index séquentiel est créé La méthode set index nous permet de définir une colonne existante comme index du bloc de données. Ici, j'ai pris la colonne T et je l'ai utilisée comme index. En utilisant la fonction de division intégrée de Python, nous pouvons générer efficacement une liste. Nous pouvons générer une liste de cette manière. Il faut beaucoup moins de temps pour qu'un élément de plusieurs valeurs soit égal à trois. Ajoutez ensuite cette liste en tant que nouvelle colonne dans notre bloc de données. La fonction split de Pandas est utile pour séparer des chaînes en plusieurs parties sur la base d'un DelMeterRetracting de données spécifiques ou pour créer de nouvelles colonnes à partir de données ou pour créer de nouvelles Si aucun séparateur n'est spécifié, la fonction de division divise la chaîne par des espaces blancs, des espaces, des tabulations ou de nouvelles lignes, comme dans notre cas 5. Travailler avec MultiIndex dans Pandas : L'indexation hiérarchique expliquée: Comme toujours, importons toutes les bibliothèques nécessaires. L'index multiple ou index hiérarchique est une version avancée de l'index standard de Pandas Vous pouvez le considérer comme un tableau de tuples où chaque dapple représente une combinaison d'index unique Cette approche permet des structures d' indexation plus complexes Commençons par créer un bloc de données simple. Nous allons ensuite générer un index hiérarchique à l'aide de la fonction from frame. Cet exemple nous aidera à comprendre comment créer un index hiérarchique à partir d'un bloc de données. Commençons par créer un bloc de données simple. Tout d'abord, nous créons un bloc de données avec une liste de données et de noms de colonnes. Ce bloc de données sera ensuite utilisé pour construire notre index hiérarchique. Je passe une liste de données et de noms de colonnes, et notre bloc de données est prêt. Nous avons maintenant une trame de données typique. Il inclut un index, des noms de colonnes et des données. Ce bloc de données sera utilisé pour créer un objet d'index. Nous utilisons la fonction From frame et transmettons notre trame de données en argument. Nous avons maintenant un objet index, qui représente une liste de tuples uniques Créons donc un nouveau bloc de données en utilisant ce multi-index terminé. Tout d'abord, je remplis le bloc de données avec des nombres aléatoires. Ensuite, nous définissons une structure à quatre lignes et deux colonnes. Nous passons le multi-index au paramètre index. Enfin, nous définissons les noms des colonnes pour le nouveau bloc de données. Et maintenant, nous pouvons voir le nouveau bloc de données. Nous avons utilisé from frame pour créer un index multiple à partir d'un bloc de données, permettant ainsi une indexation hiérarchique pour meilleure organisation des données et une sélection efficace Et maintenant, nous pouvons créer un nouveau bloc de données à l'aide de cet index multiple. Toutefois, lors de la création d'un nouveau bloc de données, le nombre de lignes des données doit correspondre au nombre de niveaux d'index pour éviter les incohérences de taille Je vais maintenant vous montrer comment créer et utiliser un index d' une manière légèrement différente. Tout d'abord, j'utilise la fonction split de Python pour créer une liste plus rapidement. Ensuite, j'utilise la fonction Z pour connecter chaque paire d'éléments ensemble. Enfin, je les transforme en une liste Taples. La fonction Z en Python associe des éléments provenant de plusieurs itérables, créant des tuples d'éléments correspondants C'est utile pour itérer plusieurs séquences simultanément. Je peux maintenant créer un index multiple à partir d'un tableau de bandes à l'aide de la fonction from Taples Nous avons donc notre index multiple et nous pouvons l' intégrer dans une nouvelle trame de données. Tout d'abord, je remplis le bloc de données avec des données aléatoires comme nous l'avons fait ci-dessus. Ensuite, je définis la structure avec six lignes et deux colonnes. Ensuite, je passe notre index multiple, l'attribut index, et enfin, je définis les noms des colonnes. C'est ici. Nous pouvons voir notre nouveau bloc de données. D'accord, envisageons d'accéder aux données avec un index multiple. À l'aide de l'attribut names, nous pouvons définir des noms pour les niveaux du multi-index. Et ici, j'ai défini les noms de nos colonnes, unités et travailleurs à index multiples . Alors pratiquons. Pour plus de clarté, nous pouvons voir deux colonnes marquées, unités et travailleurs. Pour obtenir le salaire du troisième travailleur à partir de l'unité deux, j'utilise la fonction log. Tout d'abord, j'indique l'unité deux, puis je spécifie le travailleur trois et enfin, je sélectionne la colonne des salaires. Le double verrouillage est utilisé car le bloc de données possède un index multiple. Le premier journal avec l'unité deux sélectionne toutes les lignes de l'unité deux, renvoyant une trame de données plus petite. Le deuxième journal, le travailleur trois, sélectionne ensuite le travailleur trois dans ce sous-ensemble, et enfin, salary récupère toutes les valeurs de colonne spécifiques, et nous avons maintenant le résultat, Essayons un autre exemple. Obtenir les heures de travail premier travailleur et du travailleur deux à partir de l'unité deux. Tu peux t'entraîner seul. Publiez la vidéo et essayez de le faire vous-même. J'utilise la fonction log pour l'unité deux, puis je passe le travailleur un et le travailleur deux sous forme de liste. Enfin, j'indique la colonne des heures. Je passe le premier et le travailleur deux sous forme liste dans une liste pour sélectionner plusieurs lignes à la fois. Cela nous permet de récupérer les colonnes d'heures pour les deux travailleurs simultanément à partir du sous-ensemble de données de l'unité deux Et maintenant, nous avons les heures de travail de ces deux travailleurs. Ignorez les valeurs négatives car nous avons rempli le bloc de données avec des nombres aléatoires. Les données du monde réel contiendraient des valeurs valides. Entraînons-nous maintenant à sélectionner plusieurs lignes et colonnes. De quoi avons-nous besoin d'une intersection de plusieurs lignes et de plusieurs colonnes ? Calculons le salaire et les heures de travail du deuxième travailleur et du troisième dans l'unité deux. Tout d'abord, utilisez la fonction Log pour sélectionner l'unité deux. Passez ensuite le travailleur deux et le travailleur trois sous forme de liste. Enfin, sélectionnez également le salaire et les heures sous forme de liste. Alors mettez la vidéo en pause et essayez de le faire vous-même. Comme vous pouvez le constater, nous avons utilisé la même méthode, la fonction et la notation entre crochets. Définissez ensuite l'unité deux au premier niveau, en passant le travailleur deux et le travailleur trois sous forme de liste, et enfin en transmettant deux listes de colonnes, salaire et heures, en utilisant la notation entre crochets. Je peux éviter de transmettre les colonnes, salaire et les heures sous forme de liste, car nous n' avons que deux colonnes dans notre cadre de données. Dans ce cas, toutes les colonnes seront sélectionnées automatiquement. Ces deux versions donneront le même résultat. Cependant, si nous avions plus de deux colonnes, nous devrions répertorier explicitement les noms des colonnes. Il s'agissait donc d'un bref exemple de la façon de travailler avec l' indexation hiérarchique dans Pandas L'objectif principal de cette leçon est de comprendre ce que signifie l'indexation hiérarchique et comment elle s'intègre à la fonctionnalité d' indexation de Pandas Les index multiples sont utiles dans Pandas, mais ne constituent pas toujours le premier choix Ils sont couramment utilisés dans les ensembles de données hiérarchiques, analyse de séries chronologiques et lorsque vous travaillez avec des données groupées ou pivotées Toutefois, dans de nombreux cas pratiques, un index plat comportant plusieurs colonnes est préférable pour des raisons de simplicité et de lisibilité Alors, n'ayez pas peur. Dans la plupart des cas, nous n'aurons pas besoin de l'utiliser, mais il est essentiel de comprendre sa structure et son fonctionnement. 6. Analyse de Pandas DataFrame : regroupement, agrégation et fonctions mathématiques: Maintenant, je veux vous présenter une nouvelle méthode chez Pandas. Et pour cela, je vais créer un bloc de données. Comme toujours, dans un premier temps, j'importe la bibliothèque Pandas Ensuite, je crée un dictionnaire. Ensuite, à partir de ce dictionnaire, je vais créer le bloc de données. La fonction head de Pandas renvoie les premières lignes de la trame de données, généralement utilisées pour s'attendre rapidement à la première position des données Par défaut, les cinq premières lignes sont affichées. Le filtrage des lignes et des colonnes de la bibliothèque Pandas peut être effectué à l'aide de la méthode de filtrage En utilisant Shift plus la commande supérieure, vous pouvez développer et afficher les conditions dans lesquelles nous pouvons filtrer. Cette méthode vous permet de sélectionner des lignes et des colonnes en fonction de certaines conditions spécifiées par l'utilisateur. Par conséquent, nous obtenons un bloc de données avec des lignes ou des colonnes qui répondent aux conditions spécifiées. Il est important de noter que le filtrage ne s'applique qu'à l' index ou aux étiquettes. Les données et le bloc de données eux-mêmes ne sont pas filtrés. Dans ce cas, en filtrant avec le paramètre items et en passant les noms de nos colonnes, nom ou l'âge, nous n'obtenons que les données demandées. Si le paramètre items est spécifié, il permet d'indiquer une liste de colonnes à conserver. Si ce n'est pas spécifié, toutes les colonnes seront conservées. Je vais maintenant montrer l' exemple en utilisant le paramètre. Ce paramètre vous permet de spécifier une sous-chaîne qui doit faire partie du nom de colonne Seules les colonnes dont le nom contient la chaîne seront conservées. Si je le vérifie, on le voit clairement. Il existe également le paramètre de l'axe. Ce paramètre indique s'il faut appliquer le filtrage aux lignes, axes SEQUL à zéro ou aux colonnes, axes SEQUL à un Pour clarifier les choses, j'ajouterai des valeurs uniques au lieu des indices standard, qui peuvent être lus et filtrés en fonction de certains critères. Après avoir rechargé les lignes à l'aide de Shift plus Center, voyons comment cela fonctionne Je veux obtenir une rose qui contient la sous-chaîne BL, donc je vais spécifier un paramètre égal à BL et X est égal à zéro Cela ne renverra que la ligne avec l'index bleu et toutes les informations nécessaires. Il est parfois utile de trier le bloc de données en fonction de la valeur d'une ou de plusieurs colonnes. La fonction de tri des valeurs est très utile pour cela. Vous spécifiez le nom de la colonne ou la liste des colonnes selon lesquelles le tri sera effectué. Par exemple, ici, j'ai trié en fonction de l'âge de la colonne. Pour l'ordre croissant, le paramètre croissant est défini sur true Si vous souhaitez utiliser l'ordre décroissant , définissez-le sur false. De plus, si vous souhaitez modifier directement le bloc de données d'origine, vous devez définir le paramètre in place égal à true, comme nous l'avons fait précédemment. Par défaut, il est défini sur false. Si vous modifiez le bloc de données puis que vous le rappelez, vous verrez que rien n'a changé à moins que nous n'ayons mis en place un paramètre égal à vrai. Pour le prochain exemple, je vais importer la bibliothèque Seaborn. J'utilise cette bibliothèque car elle me permet de charger le jeu de données Titanic Oui, Seaborn possède un ensemble de données par défaut que je peux charger. Je vais maintenant charger le jeu de données du Titanic et l'afficher afin que nous puissions voir les données disponibles Seborn est la bibliothèque PyTon utilisée pour la visualisation des données statistiques Il simplifie la création de graphiques informatifs et attrayants, facilitant ainsi l'exploration et la compréhension des modèles de données. Vous pouvez trouver un tutoriel pour cette bibliothèque dans mon profil. Bienvenue. Faisons connaissance avec le groupe par méthode. La méthode group by est utilisée pour regrouper les lignes d'un ensemble de données en fonction des valeurs d'une ou de plusieurs colonnes. Permettez-moi de vous donner un exemple afin que vous puissiez comprendre comment cela fonctionne. Dans cet exemple, je vais regrouper toutes les personnes à bord du navire par classe. Lorsque j'affiche le résultat, nous obtenons un groupe par objet. J'ai regroupé les passagers par classe de cabine et je souhaite maintenant calculer le tarif moyen pour chaque classe. J'utilise la fonction mean pour ce faire. Regardez le résultat. Nous pouvons constater un écart important. La première classe coûte très cher. La deuxième classe est plus abordable et la troisième est la moins chère. De plus, nous pouvons examiner le tarif maximum pour chaque classe ou le tarif minimum. Cependant, le tarif minimum indique zéro. Voyons s'il existe de telles données. peut donc que les passagers aient voyagé gratuitement ou que nous ayons des données manquantes sur ce cadre de données. Mais cela n'affecte pas, pour notre exemple, c'est juste pour la démonstration. Continuons avec l'agrégation. agrégation est le processus qui consiste à calculer une ou plusieurs mesures statistiques pour chaque groupe formé lors du regroupement de données. Le regroupement des données est effectué à l'aide d'une ou de plusieurs clés, colonnes, puis l'agrégation est effectuée séparément pour chacun de ces groupes. Maintenant que nous connaissons le groupe par méthode, nous pouvons appliquer une fonction d'agrégation telle que somme ou la moyenne aux données groupées. Par exemple, j'ai de nouveau regroupé les passagers par classe de cabine, puis calculé l'âge moyen des passagers dans chaque classe. Ici, nous pouvons voir la corrélation. Plus la classe est basse, plus l'âge moyen est jeune, ce qui est logiquement logique À cette époque, les personnes âgées étaient souvent plus riches voyageaient donc dans des classes supérieures Je vais maintenant vous donner un exemple utilisant la méthode des œufs. Cette méthode, abréviation d'agrégation, est utilisée pour calculer les statistiques agrégées pour les groupes de lignes formés à l'aide de la méthode groupe par. J'ai de nouveau regroupé les passagers par classe de cabine. Je veux maintenant calculer l'âge moyen et tarif moyen des passagers de chaque classe. Cette notation est égale à ce que nous avons vu ci-dessus, mais écrite sous une forme plus compacte. Nous utilisons la méthode Ag pour calculer à la fois l'âge moyen et le tarif moyen sur une seule ligne. Si vous le souhaitez, la méthode egg peut également créer plusieurs fonctions d'agrégation. Par exemple, vous pouvez calculer à la fois la moyenne et la valeur maximale pour chaque groupe. Le résultat inclura toutes les mesures demandées, offrant ainsi une vue plus large des données. Si vous utilisez plusieurs fonctions, n'oubliez pas de les placer entre crochets , car il s'agit d'une liste 7. Travailler avec des ensembles de données réels : téléchargement, analyse et intégration SQL dans Pandas: Maintenant que nous avons couvert les obligations, il est temps de consolider nos connaissances en travaillant avec des ensembles de données réels Je vais vous montrer où vous pouvez trouver des données réelles pour vos projets. Si vous souhaitez pratiquer de manière plus autonome, je vous recommande vivement de le faire. Aucun didacticiel ou vidéo ne peut vous en apprendre davantage qu'une expérience pratique avec des données du monde réel Examinons donc les mauvaises sources pour les vrais ensembles de données. Et le premier, Cagle. Il s'agit d'une plateforme sur laquelle vous pouvez télécharger gratuitement des ensembles de données, explorer des carnets de notes et apprendre auprès d'autres passionnés de données C'est l'une des meilleures ressources pour les projets d'analyse de données et d'apprentissage automatique. Le second monde des données. C'est une autre ressource intéressante où vous pouvez trouver des ensembles sur divers sujets et les télécharger dans plusieurs formats Ensuite, nous pouvons utiliser Data Playground. Ce site vous permet de parcourir les ensembles de données par sujet et par format avant de les télécharger, afin de trouver plus facilement les données pertinentes Si vous souhaitez travailler avec des statistiques du monde réel, l'UNICEF fournit des ensembles de données liés au développement mondial, à la santé et à l'éducation Ces ressources sont très utiles, surtout si vous souhaitez créer un projet favori qui reflète l'état réel d'un sujet sélectionné. Pour ceux qui ne le savent pas, un projet favori est un projet que vous réalisez chez vous pour le présenter lors d'un entretien ou simplement pour entraîner et comprendre comment les choses fonctionnent. De nombreux gouvernements proposent des portails de données ouvertes où vous pouvez télécharger des ensembles de données sur l'immobilier, la santé, les finances, etc. Je suis allé sur un site Web de données ouvertes du gouvernement. Et j'ai décidé de télécharger un jeu de données contenant des informations sur les ventes immobilières 2001-2020. J'ai téléchargé l' ensemble de données au format CSV, qui contient des données sur les transactions immobilières au fil des ans. Il s'agit de l'ensemble de données que je vais utiliser pour notre projet. Tout d'abord, je suis port Pandas et j'utilise la méthode read CSV pour charger le jeu de données Comme je me trouve dans le même répertoire que le fichier du jeu de données, je n'ai pas besoin de spécifier le chemin complet, le nom du fichier. Lorsque vous essayez de charger un ensemble de données volumineux dans un bloc de données, Pandas tentent de déterminer automatiquement les types de données pour chaque colonne Toutefois, pour les grands ensembles de données, ce processus peut consommer beaucoup de mémoire et prend généralement beaucoup de temps Pour éviter cela, vous avez deux options spécifier manuellement les types de données pour chaque colonne à l'aide du paramètre de type D ou définir le paramètre low memory sur false pour permettre aux Pandas d'utiliser plus de mémoire pour de meilleures performances Comme notre jeu de données contient près d'un million de lignes, il n'est pas surprenant que nous ayons reçu un message d'avertissement lors de son chargement. Lorsque vous chargez un jeu de données volumineux et que vous souhaitez voir à quoi il ressemble, n'est pas nécessaire d'afficher le bloc de données dans son intégralité. La méthode head vous permet de n'en revoir qu'une partie. De même, vous pouvez afficher un certain nombre de lignes à partir de la fin en utilisant la méthode de la queue. La méthode info vous permet obtenir une vue d'ensemble de votre bloc de données, y compris de nombreuses informations telles que nombre total de lignes et de colonnes, nombre de valeurs non nulles dans chaque colonne, l'utilisation de la mémoire, etc. La méthode de description fournit une description statistique des données numériques du bloc de données. À partir de là, vous pouvez facilement vous faire une idée générale de la distribution et des statistiques de votre jeu de données numériques. Il inclut l' écart type moyen, les quartiles minimum et maximum, etc. Il existe également une puissante bibliothèque Python appelée SQL Alchemy, qui vous permet de travailler avec des bases de données SQL dans Pandas C'est particulièrement utile si vous souhaitez stocker ou récupérer et traiter efficacement de grands ensembles de données à l'aide de requêtes SGWL SQL Alchemy est une bibliothèque populaire pour interagir avec des bases de données relationnelles en Python SQLite est une autre option, qui est un système intégré de gestion de base de données relationnelle haute performance facile à utiliser et ne nécessitant pas de serveur séparé Il permet le stockage et la gestion des données dans un magasin de fichiers local sans avoir besoin d'un serveur de données distinct. Eh bien, ne vous laissez pas intimider par ce code. C'est standard. Vous pouvez simplement le copier depuis la documentation. Tout ce que vous devez faire maintenant, c'est comprendre ce qu'il fait. Ici, nous importons et créons un moteur pour nous connecter à la base de données. Supposons que vous deviez transférer des données d' une trame de données Pandas vers une base de données, où vous pourrez les utiliser davantage ou les stocker pour Je vais vous montrer comment procéder. Nous avons créé un moteur connecté à la base de données de test. Permettez-moi de vous rappeler que votre cadre de données ressemble à ceci. Ici, il utilise la méthode à deux CSV. Nous écrivons ensuite nos données dans une table, que j'ai nommée Nouvelle table. Le deuxième paramètre, bien entendu, est notre moteur. Comme nous pouvons le constater, nous venons d'enregistrer près d'un million de lignes dans la nouvelle table de la base de données de test. Essayons de lire tout ce que nous avons enregistré dans ce tableau. En d'autres termes, nous voulons extraire et récupérer le bloc de données que nous venons d'enregistrer dans la base de données. Pour cela, j'utilise read SQL et plus notre table à partir de laquelle nous avons l'intention tout lire au premier paramètre. Le deuxième paramètre est le moteur par lequel nous sommes connectés à la base de données du bureau. J'enregistre notre trame de données extraite dans la variable read DF, et nous pouvons voir ce que nous avons enregistré dans la base de données. Ensuite, nous avons pu le récupérer. C'est ici. Mais ne nous attardons pas là-dessus. Nous pouvons non seulement lire l'intégralité du bloc de données de la base de données dans laquelle nous l'avons enregistré, mais également prendre une partie spécifique avec laquelle nous prévoyons de travailler. Je vais maintenant vous montrer comment nous pouvons former requêtes SQL avant de les passer en paramètre. Savoir travailler avec des requêtes SQL est très utile pour tout le monde, que vous soyez analyste de données ou développeur de logiciels. La compétence sera utile. La première requête, la plus simple, lire tous les enregistrements de la table, et le symbole astérisque signifie que je sélectionne tous les enregistrements Ensuite, je passe cette requête et le premier paramètre à la même fonction que nous avons utilisée pour la lecture. Bien entendu, le deuxième paramètre est le moteur, qui est notre connexion à la base de données. Cela prendra un peu de temps. Essentiellement, nous obtenons la même chose pour l'ensemble du bloc de données. Maintenant, si je remplace l' astérisque par « ville », je n'obtiendrai pas la trame de données complète Je n'obtiendrai que les lignes sélectionnées. Je n'obtiendrai que ce que nous avons sélectionné. Dans mon cas, ce seront les villes. Pour mieux comprendre son fonctionnement, essayons autre chose. Je souhaite récupérer toutes les informations de notre base de données, mais uniquement pour une ville spécifique. Disons Ashford. Et regardez, nous avons des informations sur ventes immobilières liées uniquement à la ville d'Ashford C'est pratique et vous n'avez pas besoin de faire glisser informations inutiles dans votre bloc de données si vous devez uniquement travailler avec une ville en particulier. 8. Tableaux croisés dynamiques dans Pandas : nettoyage des données et analyse des données réelles: Lorsque nous obtenons des données que nous devons traiter ou analyser. Dans la plupart des cas, nous ne pouvons pas commencer à travailler immédiatement car il s'agit de données brutes. Le résultat obtenu sera directement influencé par le fait que chaque colonne a été remplie avec le type de données approprié et par la présence de valeurs vides ou nulles. Lorsque nous recevons des données, une première analyse est extrêmement nécessaire. La commande INL permet d'identifier les valeurs manquantes ou nulles dans l'objet du bloc de données Il renvoie une nouvelle trame de données de la même taille que la trame de données d'entrée où chaque élément est vrai si l' élément correspondant est manquant ou nul et tombe dans le cas contraire. Cette méthode est très utile pour nettoyer et analyser les données car elle nous permet d'identifier les endroits où les données d'origine présentent des valeurs manquantes. Permettez-moi de vous rappeler à quoi ressemble votre bloc de données après avoir utilisé l'INL. Pour gérer ces valeurs manquantes, nous pouvons utiliser différentes méthodes. Par exemple, fillna nous permet de remplacer des valeurs vides par une valeur spécifique Dans mon cas, j'ai utilisé zéro. Une attention particulière doit être accordée aux noms de colonnes. À l'aide de colonnes, je peux récupérer tous les noms de colonnes sous forme de liste et évaluer leur validité. Dans de nombreux cas, il est souhaitable de renommer les colonnes pour une meilleure lisibilité et Cela inclut la suppression des guillemets inutiles, élimination des espaces supplémentaires, conversion de toutes les colonnes nommées en minuscules et le remplacement des espaces par des traits de soulignement, si le nom d'une colonne est composé de deux mots ou plus Permettez-moi de commencer par un exemple simple en Python. Supposons que nous ayons une variable A contenant la chaîne Nick et que nous lui appliquions la méthode inférieure. Cela transforme toutes les lettres en minuscules, ce qui donne Nick Cependant, il n'est pas possible d'appliquer simplement cette méthode aux colonnes du bloc de données , car les noms de colonnes ne sont pas directement traités comme des chaînes. Si nous vérifions le type et le premier cas et dans le second, nous pouvons voir la différence. Pour les traiter correctement, j'utilise l'accesseur STR qui permet des opérations de chaîne pour chaque nom de colonne Donc, ce que nous faisons ici, le premier ajoute les noms des colonnes d'accès en utilisant le SDR, puis les convertit en minuscules en utilisant la méthode inférieure Enfin, remplacez les espaces par des de soulignement en utilisant la méthode replace Cette approche nous permet de nettoyer efficacement les noms de colonnes sans utiliser de boucles ou de nommage manuel. Nous pouvons réduire le nombre de lignes et exécuter toutes les commandes séquentielles sur une seule ligne en utilisant la notation par points C'est ce qu'on appelle le chaînage de méthodes. Après avoir effectué ces modifications, je dois réattribuer les noms des colonnes traitées au bloc de données. Ce processus s'appelle le nettoyage des données. Ici, nous remplaçons les valeurs vides, normalisons les noms de colonnes pour des raisons de commodité et évitons les erreurs potentielles lors du traitement futur des données Comme je n'ai pas spécifié le paramètre et la place égale à true lors du remplissage des valeurs manquantes, vous pouvez voir qu'elles sont toujours là, mais vous pouvez facilement les remplacer par zéro vous-même. Exécutez simplement fill N à nouveau et assurez-vous de sauvegarder le résultat. Une autre méthode importante est dropna, qui est utilisée pour supprimer des lignes ou des colonnes d'un bloc de données contenant des valeurs manquantes ou nulles Par défaut, si aucun paramètre supplémentaire n'est spécifié, supprimez les lignes NREMs contenant des valeurs manquantes Cependant, cela peut entraîner la suppression de toutes les lignes si une colonne contient des valeurs manquantes. Pour spécifier si nous voulons supprimer des lignes ou des colonnes, nous utilisons le paramètre axis. L'axe est égal à zéro, valeur par défaut supprime les lignes et l'axe égal à un supprime les colonnes. Par exemple, définir un axe égal à un supprimera des colonnes au lieu de lignes, ce qui produira un résultat complètement différent. Comment identifier des valeurs uniques ? Et pour cela, nous utilisons une méthode unique. C'est utile pour identifier des valeurs distinctes dans une colonne de trame de données spécifique. Cela permet d'analyser les données catégoriques, telles que le comptage du nombre de catégories différentes ou d' identifiants uniques dans un Par exemple, pour déterminer le nombre de villes uniques dans la colonne des villes, j'utiliserai DF puis la notation ville entre crochets et la méthode unique. Et nous avons obtenu le résultat. Contrairement à la méthode unique et unique, le nombre de valeurs uniques dans chaque colonne ou ligne d' un bloc de données permet d' analyser la distribution des données. Nous avons ici 18 villes uniques. comptes de valeurs constituent une autre méthode utile, qui compte les occurrences de chaque valeur unique dans une colonne de blocs de données. Elle renvoie une série dans laquelle les valeurs uniques sont répertoriées sous forme d'index et leur nombre apparaît sous forme de valeurs correspondantes Cette méthode est particulièrement utile pour comprendre la distribution des données catégorielles, identifier les catégories les plus courantes et analyser la fréquence des valeurs uniques Par exemple, l'utilisation de comptes de valeur dans la colonne des villes nous permet de voir combien de fois chaque ville apparaît dans notre bloc de données. Maintenant, permettez-moi de vous présenter le concept de table pivotante. Un tableau croisé dynamique est utilisé pour créer un tableau récapitulatif à partir des données contenues dans un bloc de données. Il permet de regrouper et d' agréger les données selon certains critères et de les organiser dans un format pratique pour l'analyse Cela nous donne un tableau pratique pour une analyse et une visualisation plus poussées. Je vais créer un tableau croisé dynamique à partir de nos données. Je vais utiliser la somme des ventes, ajouter la valeur et pour l'indice, je veux voir la ville et l'adresse. Pour les colonnes, je vais utiliser le type de propriété. Regardez le tableau que nous avons actuellement. Nous ne pouvons désormais travailler qu' avec les données dont nous avons besoin. Affinons-le encore et remplissons les valeurs vides. Maintenant que nous avons affiné nos données, nous pouvons passer à d'autres outils. En principe, 90 % de votre travail impliquera ce que nous venons de faire. Pandas est largement utilisé pour la manipulation, l'analyse et la visualisation des données Il est idéal pour filtrer, regrouper et remodeler les données, ainsi que pour effectuer des calculs tels que des sommes et des moyennes C'est également essentiel pour travailler avec des séries chronologiques et pour résumer les informations à l'aide de fonctions telles que describe ou Pivot Table Explorons également la visualisation des données et les Pandas. 9. Visualisation des données des Pandas : Tableaux, graphiques et informations: visualisation des données est le processus de création de représentations graphiques des données afin de comprendre la structure et d'identifier les modèles, les tendances et les relations. Nous pouvons utiliser divers graphiques, diagrammes et autres éléments visuels pour transmettre des informations et faciliter l'analyse des données. Quel format de données est le plus facile à percevoir pour vous ? Si je vous montre des informations dans un format tbar plutôt que dans un format visuel Le format visuel est sans aucun doute plus convivial et plus facile à comprendre. L'analyse visuelle peut également aider à identifier les anomalies, valeurs aberrantes et les modèles inattendus dans les données Pandas, dont nous avons parlé précédemment, a intégré des outils de visualisation des données basés sur la bibliothèque Matlot Lip Mat Blot Lip est une bibliothèque Python pour visualisation des données qui fournit un large éventail de fonctionnalités permettant de créer différents types de graphiques et de diagrammes pour l' analyse et l'affichage des données Je tiens à rappeler que Pandas et Matlot Leap sont deux bibliothèques différentes Les outils de visualisation intégrés et Pandas sont basés sur Matplot Leap, mais ils fournissent un niveau d' abstraction plus élevé et simplifient le processus de création de graphiques simples Le choix de la bibliothèque dépend de vos besoins spécifiques. Si vous avez besoin de visualiser rapidement des données dans le bloc de données Pandas à l'aide d'une syntaxe simple, les outils de visualisation intégrés à Pandas peuvent être plus pratiques Si vous avez besoin de plus de contrôle sur les graphiques ou si vous avez besoin de créer des visualisations plus complexes, Matlock Leap peut être une meilleure option Les deux bibliothèques sont souvent utilisées en fonction des tâches spécifiques. Commençons par les outils intégrés les plus simples en Python. Comme toujours, importons tout ce dont nous avons besoin et créons un bloc de données avec des données aléatoires. La principale méthode de visualisation est le tracé, qui peut être appelé sur un bloc de données ou un objet de série. J'ai créé un bloc de données et je l' ai rempli de nombres aléatoires à l'aide de la bibliothèque Numbi Comme premier exemple, tracons un graphique linéaire pour toutes les colonnes. Dans les dernières versions des manuels de nœuds Jubter, vous n'avez généralement pas besoin d' utiliser des commandes telles que PLT show ou Mtlot leap in line Mutlot fait un bond en ligne et cette commande magique est automatiquement appliquée dans les nouvelles versions des livres de nœuds de Jupiter Les graphiques seront donc affichés en ligne par défaut sans avoir besoin de cette commande. Dans de nombreux cas, il n' est pas non plus nécessaire d'appeler PLT show. Dans les blocs-notes Jupiter, les tracés sont affichés automatiquement après l'exécution d'une commande de tracé Toutefois, si vous souhaitez contrôler, lorsque le tracé apparaît comme dans des scripts ou d'autres environnements, vous pouvez toujours utiliser PLT show. Ainsi, pour la plupart des tâches de traçage de base dans Jupiter, vous pouvez simplement créer des tracés sans avoir besoin de ces commandes. Si vous travaillez dans un environnement différent ou un script Python externe au bloc-notes et que vous souhaitez que les graphiques s'affichent automatiquement sans avoir besoin d'appeler PLT show, vous pouvez utiliser cette configuration Ensuite, créons un histogramme pour la colonne A. Je vais appeler plot et créer un histogramme sur la série de notre bloc de données Je peux modifier le paramètre Bins, qui contrôle le nombre de colonnes de notre histogramme En ajustant le nombre de bacs, je peux obtenir une vue plus détaillée ou plus générale des données. Ensuite, construisons un nuage de points. Les diagrammes de dispersion sont souvent utilisés pour identifier des corrélations ou comparer Ils nous aident à voir comment deux variables interagissent. Dans notre cas, comme j'ai des données aléatoires, cela ne révélera pas grand-chose. Mais avec des données réelles, que nous avons abordées dans la leçon précédente, diagrammes de dispersion peuvent fournir des informations précieuses Je vais maintenant vous montrer comment créer par graphique à partir des données d'un objet de série. Je crée d'abord la série, puis je construis le graphique. Nous utilisons la méthode Pipe, qui génère un graphique circulaire basé sur les valeurs de nos séries. Vous pouvez également afficher les pourcentages de chaque partie du Pi Dans ce cas, j'affiche les pourcentages avec une décimale Les diagrammes à secteurs sont généralement utilisés pour visualiser les proportions ou les relations en pourcentage entre les différentes catégories. Examinons ensuite le diagramme à cases. boxplot sont utilisés pour visualiser la distribution des données indiquant les quartiles médians, les valeurs minimales et maximales Ils peuvent également aider à détecter les valeurs aberrantes potentielles. Vous pouvez disposer les cases verticalement ou horizontalement en réglant le paramètre vert. De plus, nous pouvons personnaliser les couleurs des capuchons des boîtes, qu'il s' agisse de lignes grises représentant les médianes et les moustaches Le diagramme en aires montre les données sous forme de zones empilées pour chaque colonne du bloc de données. Si vous définissez l'option Stacked False, elle empêche les zones de se chevaucher et affiche les valeurs agrégées pour chaque colonne séparément Cela est utile pour comparer la contribution de chaque colonne au total. Ensuite, je vais vous montrer comment créer un diagramme de dispersion Hg Bin. Nous utilisons la méthode Hg Bin pour créer ce diagramme. Le paramètre de taille de grille indique le nombre d' hexagones utilisés dans le diagramme Une taille de grille plus élevée permet d' obtenir un diagramme plus détaillé, mais peut le rendre plus difficile à interpréter. Les diagrammes Hexbin sont parfaits pour visualiser la densité des points de données dans un espace bidimensionnel, en particulier lorsque vous avez un grand nombre de Explorons également la création d' une matrice de nuages de points. Une matrice de diagramme de points permet de visualiser les relations entre plusieurs colonnes d'un bloc de données Pour cela, j'ai créé, encore une fois, un bloc de données avec la bibliothèque des arbitres Des méthodes telles que celles que nous avons utilisées auparavant, telles que la zone de dispersion, la boîte et d'autres, sont disponibles via Plot et Pandas, car elles sont intégrées à Mud Plot Leap pour les visualisations de base Cependant, la matrice de nuages de points nécessite une entrée séparée, car elle génère plusieurs nuages de points à la fois, ce qui la rend plus complexe que les méthodes de diagramme standard J'appelle donc Scatter Matrix, transmets notre trame de données. Vous pouvez régler la transparence à l'aide du paramètre Alpha 0-1. Réglez la taille de la figurine. Il définit la taille de la figure à six pouces sur 6 pouces, détermine les dimensions globales du tracé pour une meilleure lisibilité et un meilleur contrôle de la mise en page, et utilise des estimations de densité du noyau sur la diagonale pour une visualisation plus fluide Chaque graphique en diagonale montre la distribution de chaque colonne. Les matrices de diagrammes de dispersion sont utiles pour comparer simultanément toutes les paires de variables d'un bloc de données, identifier les corrélations et les dépendances complexes Bien que la génération de diagrammes de dispersion pour chaque combinaison de variables puisse nécessiter des calculs intensifs, la matrice de nuages de points simplifie ce processus et permet une analyse aisée Eh bien, nous avons abordé la plupart des fonctionnalités de Pandas en matière de visualisation des données, mais il existe encore d'autres outils et bibliothèques disponibles pour vous aider dans cette tâche Dans l'écosystème Pandas, plusieurs bibliothèques peuvent faciliter la visualisation, et vous pouvez choisir selon vos préférences Félicitations pour avoir terminé le cours. Pandas dispose désormais d'une base solide pour l'analyse des données Si vous voulez aller plus loin, consultez mes tutoriels sur Mud Blot Leap, Seaborne et StreamLTT pour améliorer vos compétences en visualisation et en construction, continuez à vos compétences en visualisation et en construction, apprendre et rendez-vous