Pandas. Receptury. Obliczenia naukowe, szeregi czasowe i eksploracyjna analiza danych w Pythonie wyd. 3 - William Ayd Nowy Staw

Pandas to najpopularniejsza biblioteka Pythona do przetwarzania danych. Jednak nawet doświadczeni użytkownicy tego darmowego narzędzia często nie znają jego wszystkich imponujących, a przy tym wyjątkowo przydatnych funkcji. Choć oficjalna dokumentacja pandas jest obszerna, brakuje w niej praktycznych przykładów pokazujących, jak łączyć wiele poleceń a to właśnie okazuje się kluczowe! Książka powstała z myślą o wszystkich, którzy zajmują się analizą danych bez względu na poziom doświadczenia. Została pomyślana tak, aby w klarowny i praktyczny sposób, krok po kroku wyjaśnić wykonywanie różnych operacji na danych: od podstawowych czynności przetwarzania danych po zaawansowane techniki obsługi dużych zbiorów. Poszczególne receptury przygotowano w czytelnej konwencji: Jak to zrobić? Jak to działa? To jeszcze nie wszystko Każda receptura jest niezależna od innych, a układ treści pozwala na łatwe i szybkie odnalezienie potrzebnego zagadnienia. W książce między innymi: system typów pandas eksploracja danych za pomocą biblioteki pandas grupowanie, agregowanie, przekształcanie i łączenie danych z różnych źródeł niezawodne szeregi czasowe i skalowanie operacji w pandas ekosystem biblioteki pandas Doskonałe źródło praktycznych rozwiązań typowych problemów, z którymi spotkasz się w swojej pracy analitycznej w Pythonie! Wes McKinney, twórca projektów pandas i Ibis Spis treści: O autorach O korektorze merytorycznym Wstęp Wprowadzenie Rozdział 1. Podstawy biblioteki pandas Importowanie biblioteki pandas Obiekt pd.Series Obiekt pd.DataFrame Obiekt pd.Index Atrybuty obiektu pd.Series Atrybuty obiektu pd.DataFrame Rozdział 2. Wybieranie i przypisywanie wartości Podstawowe wybieranie wartości z obiektu pd.Series Podstawowe wybieranie wartości z obiektu pd.DataFrame Wybieranie wartości oparte na pozycji w obiekcie pd.Series Wybieranie wartości oparte na pozycji w obiekcie pd.DataFrame Wybieranie wartości oparte na etykietach w obiekcie pd.Series Wybieranie wartości oparte na etykietach w obiekcie pd.DataFrame Łączenie wyboru wartości opartego na pozycji i etykietach Metoda pd.DataFrame.filter Wybieranie wartości według ich typu Wybieranie i filtrowanie wartości za pomocą tablic logicznych Wybieranie wartości z obiektu pd.MultiIndex - jeden poziom Wybieranie wartości z obiektu pd.MultiIndex - wiele poziomów Wybieranie wartości z obiektu pd.MultiIndex - obiekt pd.DataFrame Przypisywanie elementów za pomocą metod .loc i .iloc Przypisywanie kolumn w obiekcie pd.DataFrame Rozdział 3. Typy danych Typy całkowitoliczbowe Typy zmiennoprzecinkowe Typy logiczne Typy tekstowe Obsługa brakujących wartości Typy kategoryczne Typy czasowe - datetime Typy czasowe - timedelta Typy czasowe PyArrow Typy list PyArrow Typy dziesiętne PyArrow System typów NumPy, typ object i pułapki z nimi związane Rozdział 4. System wejścia-wyjścia biblioteki pandas CSV - podstawy odczytu i zapisu CSV - strategie wczytywania dużych plików Microsoft Excel - podstawy odczytu i zapisu danych Microsoft Excel - wyszukiwanie tabel w niestandardowych lokalizacjach Microsoft Excel - dane hierarchiczne SQL z wykorzystaniem SQLAlchemy SQL z wykorzystaniem ADBC Apache Parquet JSON HTML Pickle Zewnętrzne biblioteki wejścia-wyjścia Rozdział 5. Algorytmy i ich zastosowanie Podstawowe operacje arytmetyczne na obiektach pd.Series Podstawowe operacje arytmetyczne na obiektach pd.DataFrame Agregacje Transformacje Mapowanie Stosowanie funkcji Podsumowujące dane statystyczne Algorytmy grupowania Kodowanie "1 z n" za pomocą funkcji pd.get_dummies Łączenie operacji za pomocą metody .pipe Wybieranie filmów o najniższym budżecie z listy stu najlepszych Obliczanie ceny dla kroczącego zlecenia stop Wyszukiwanie najlepszych baseballistów Ustalanie pozycji zdobywającej najwięcej punktów dla drużyny Rozdział 6. Wizualizacja Tworzenie wykresów na podstawie zagregowanych danych Wizualizacja rozkładów danych niezagregowanych Dostosowywanie do własnych potrzeb wykresów tworzonych za pomocą biblioteki Matplotlib Analiza wykresów punktowych Analiza danych kategorycznych Analiza danych ciągłych Wykorzystanie biblioteki seaborn do tworzenia zaawansowanych wykresów Rozdział 7. Przekształcanie ramek danych Łączenie obiektów pd.DataFrame Łączenie ramek danych za pomocą pd.merge Łączenie ramek danych za pomocą pd.DataFrame.join Przekształcanie danych za pomocą pd.DataFrame.stack i pd.DataFrame.unstack Zmiana kształtu danych za pomocą pd.DataFrame.melt Przekształcanie danych za pomocą pd.wide_to_long Zmiana struktury danych za pomocą pd.DataFrame.pivot i pd.pivot_table Przekształcanie danych za pomocą pd.DataFrame.explode Transpozycja danych za pomocą pd.DataFrame.T Rozdział 8. Grupowanie Podstawy grupowania Grupowanie i obliczenia na wielu kolumnach Grupowanie za pomocą funkcji apply Operacje na oknach Wybór najwyżej ocenianych filmów według roku Porównanie najlepszych pałkarzy w baseballu na przestrzeni lat Rozdział 9. Algorytmy i typy danych czasowych Obsługa stref czasowych Przesunięcia dat Wybieranie daty i godziny Resampling Agregacja tygodniowych danych o przestępstwach i wypadkach drogowych Obliczanie rocznych zmian w kategoriach przestępstw Dokładny pomiar rejestrowanych przez czujniki zdarzeń, dla których brakuje wartości Rozdział 10. Ogólne wskazówki dotyczące użytkowania i wydajności Unikaj użycia typu danych object Zwracaj uwagę na wielkość danych Używaj funkcji zwektoryzowanych zamiast pętli Unikaj modyfikowania danych Korzystaj ze słownika podczas pracy z danymi o niskiej liczbie unikalnych wartości Wykorzystuj techniki programowania sterowanego testami Rozdział 11. Ekosystem biblioteki pandas Podstawowe biblioteki zewnętrzne NumPy PyArrow Eksploracyjna analiza danych YData Profiling Sprawdzanie poprawności danych Great Expectations Wizualizacja Plotly PyGWalker Nauka o danych scikit-learn XGBoost Bazy danych DuckDB Inne biblioteki przeznaczone do pracy z ramkami danych Ibis Dask Polars cuDF