Читать фрагмент

книга

Изучаем pandas

Библиотека pandas – популярный пакет для анализа и обработки данных на языке Python. Он предлагает эффективные, быстрые, высокопроизводительные структуры данных, которые позволяют существенно упростить работу. Данная книга познакомит вас с обширным набором инструментов, предлагаемых библиотекой pandas, – начиная с обзора загрузки данных с удаленных источников, выполнения численного и статистического анализа, индексации, агрегации и заканчивая визуализацией данных и анализом финансовой информации.Издание предназначено всем разработчикам на языке Python, интересующимся обработкой данных.

Форматы: PDF

Издательство: ДМК Пресс|Гевисста

Год: 2019

Место издания: Москва

ISBN: 978-5-97060-670-4

Страниц: 683

Артикул: 94699

Возрастная маркировка: 16+

Электронная книга

1190 ₽

Купить и скачать

Содержание

Содержание книги "Изучаем pandas : высокопроизводительная обработка и анализ данных в Python"

Предисловие

Глава 1. Библиотека pandas и анализ данных

Знакомство с библиотекой pandas

Обработка данных, анализ, наука и библиотека pandas

Процесс анализа данных

Взаимосвязь между книгой и процессом анализа данных

Понятия «данные» и «анализ» в контексте нашего знакомства с библиотекой pandas

Другие библиотеки Python, работающие вместе с библиотекой pandas

Выводы

Глава 2. Запуск библиотеки pandas

Установка Anaconda

IPython и Jupyter Notebook

Знакомство со структурами данных библиотеки pandas – Series и DataFrame

Выводы

Глава 3. Представление одномерных данных с помощью объекта Series

Настройка библиотеки pandas

Создание объекта Series

Свойства .index и .values

Размер и форма объекта Series

Установка индекса во время создания объекта Series

Использование методов .head(), .tail() и .take() для вывода значений

Получение значений в объекте Series по метке или позиции

Создание срезов объекта Series

Выравнивание данных по меткам индекса

Выполнение логического отбора

Переиндексация объекта Series

Модификация объекта Series на месте

Выводы

Глава 4. Представление табличных и многомерных данных с помощью объекта DataFrame

Настройка библиотеки pandas

Создание объектов DataFrame

Доступ к данным внутри объекта DataFrame

Логический отбор строк

Одновременный отбор строк и столбцов

Выводы

Глава 5. Выполнение операций над объектом DataFrame и его содержимым

Настройка библиотеки pandas

Переименование столбцов

Добавление новых столбцов с помощью оператора [] и метода .insert()

Добавление столбцов за счет расширения датафрейма

Добавление столбцов с помощью конкатенации

Переупорядочивание столбцов

Замена содержимого столбца

Удаление столбцов

Присоединение новых строк

Конкатенация строк

Добавление и замена строк за счет расширения датафрейма

Удаление строк с помощью метода .drop()

Удаление строк с помощью логического отбора

Удаление строк с помощью среза

Выводы

Глава 6. Индексация данных

Настройка библиотеки pandas

Важность применения индексов

Типы индексов библиотеки pandas

Работа с индексами

Иерархическая индексация

Выводы

Глава 7. Категориальные данные

Настройка библиотеки pandas

Создание категориальных переменных

Переименование категорий

Добавление категорий

Удаление категорий

Удаление неиспользуемых категорий

Установка категорий

Вычисление описательных статистик для категориальной переменной

Обработка школьных оценок

Выводы

Глава 8. Численные и статистические методы

Настройка библиотеки pandas

Применение численных методов к объектам библиотеки pandas

Выполнение статистических операций c объектами библиотеки pandas

Выводы

Глава 9. Загрузка данных

Настройка библиотеки pandas

Работа с CSV-файлами и текстовыми/табличными данными

Чтение и запись данных в формате Excel

Чтение и запись JSON-файлов

Чтение HTML-файлов из интернета

Чтение и запись HDF5-файлов

Загрузка CSV-файлов из интернета

Чтение из базы данных SQL и запись в базу данных SQL

Загрузка данных с удаленных сервисов

Выводы

Глава 10. Приведение данных в порядок

Настройка библиотеки pandas

Что такое приведение данных в порядок?

Как работать с пропущенными данными

Обработка дублирующихся данных

Преобразование данных

Выводы

Глава 11. Объединение, связывание и изменение формы данных

Настройка библиотеки pandas

Конкатенация данных, расположенных в нескольких объектах

Слияние и соединение данных

Поворот данных для преобразования значений в индексы и наоборот

Состыковка и расстыковка данных

Преимущества использования состыкованных данных

Выводы

Глава 12. Агрегирование данных

Настройка библиотеки pandas

Обзор схемы «разделение–применение–объединение»

Данные для примеров

Разделение данных

Применение агрегирующих функций, преобразований и фильтров

Выводы

Глава 13. Анализ временных рядов

Настройка библиотеки pandas

Представление дат, времени и интервалов

Введение во временные ряды

Вычисление новых дат с помощью смещений

Представление промежутков времени с помощью объектов Period

Обработка праздников с помощью календарей

Нормализация временных меток с помощью часовых поясов

Операции с временными рядами

Применение к временному ряду операций на основе скользящего окна

Выводы

Глава 14. Визуализация

Настройка библиотеки pandas

Основные инструменты визуализации

Создание графиков временных рядов

Виды графиков, часто использующиеся в статистическом анализе данных

Размещение нескольких графиков на одном рисунке вручную

Выводы

Приложение 1. Советы по оптимизации вычислений в библиотеке pandas

Приложение 2. Улучшение производительности pandas (из официального пособия по библиотеке pandas)

Приложение 3. Используем pandas для больших данных

Приложение 4. Пример предварительной подготовки данных в pandas (конкурсная задача Tinkoff Data Science Challenge)

Приложение 5. Пример предварительной подготовки данных в pandas (конкурсная задача предсказания отклика ОТП Банка)

Приложение 6. Работа с датами и строками

Приложение 7. Работа с предупреждением

SettingWithCopyWarning в библиотеке pandas

Приложение 8. От Pandas к Scikit-Learn – новый подход к управлению рабочими процессами

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "Изучаем pandas : высокопроизводительная обработка и анализ данных в Python (автор Майкл Хейдт, Артём Груздев)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!

Изучаем pandas

Содержание

С книгой "Изучаем pandas" читают