Comprendre les DataFrames
Leçon 4 sur 19 du cours Analyse de données avec Pandas de Coddy.
Les DataFrames constituent le cœur de la bibliothèque Pandas. Un DataFrame est une structure de données étiquetée à deux dimensions avec des colonnes qui peuvent être de différents types, notamment des entiers, des flottants, des objets, et plus encore.
En substance, un DataFrame est comme un tableau de données. Vous pouvez l'imaginer comme une feuille de calcul ou une table SQL. Les lignes correspondent à des instances d'entrée individuelles (observations), tandis que les colonnes représentent les caractéristiques (features) des données. Avec les dataframes, nous pouvons manipuler, analyser, grouper et prétraiter les données.
Lorsque l'on travaille avec un nouveau dataframe, nous devons comprendre quelles sont les colonnes, quels sont leurs types de données, combien de lignes il contient, quel genre de données il stocke, et ainsi de suite. Voici quelques fonctions qui fournissent des aperçus rapides sur les données :
- head(n) : Affiche les
npremières lignes - head() : Affiche les 5 premières lignes
- describe() : Fournit des statistiques descriptives telles que la moyenne, le maximum, le minimum, etc.
- info() : Donne un résumé de toutes les caractéristiques (colonnes).
shape :la forme du dataframe (combien de lignes et combien de colonnes). Il s'agit d'une propriété et non d'une méthode.- tail(n) : Affiche les
ndernières lignes - tail() : Affiche les 5 dernières lignes
Défi
FacileDans ce défi, vous avez un fichier CSV appelé brands.csv.
Avant de faire quoi que ce soit, utilisez .read_csv() pour transformer le fichier en un dataframe.
Créez une fonction nommée information qui accepte une chaîne de caractères pouvant contenir l'une des valeurs suivantes :
- "head"
- "describe"
- "info"
- "shape"
- "tail"
La fonction affichera la sortie correspondante du dataframe.
Essayez vous-même
import pandas as pd
def information(action):
df = pd.read_csv("brands.csv")
# Écrire le code iciToutes les leçons de Analyse de données avec Pandas
1Introduction
Pourquoi utiliser Pandas ?Structures de données dans PandasChargement de données dans un DataFrame4Analyse de données avec Pandas
Statistiques descriptivesGroupement et agrégation de donnéesDifférentes agrégationsFusion et concaténation2Travailler avec le DataFrame
Comprendre les DataFramesAccéder aux donnéesNettoyage des données - Données manquantesNettoyage des données - Autres outils