Основной комплект анализа данных Python!Очистка данных Pandas, изменение, фильтрация, визуализация 21 Matt Harrison Banner Импортированная оригинальная версия
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Базовый пакет анализа данных Python!Очистка, изменение, фильтрация и визуализация данных Pandas
Pandas 1.x Cookbook/Second Edition
Подробности
Автор: Мэтт Харрисон, Теодор Петру
Переводчик: Цзян Южэнь, Ли Юин
Издательство: баннер
Дата публикации: 2021/11/26
Язык: традиционный китайский
ISBN: 9789863126898
Характеристики: Мягкая обложка / 672 страницы / 17 х 23 х 3,25 см / Общий класс / Частично полноцветная / Первое издание
краткое введение
【Самый полный!В полной мере используйте 114 навыков Панды]
Хотите выучить панды, достаточно читать официальные документы?
Для пользователей Python Pandas, несомненно, является обязательным пакетом для анализа данных.С помощью Pandas вы можете очень эффективно изменять, фильтровать, очищать и объединять большинство типов данных.Действительно, на официальном сайте Pandas представлены примеры использования различных инструкций.Поэтому некоторые пользователи скажут: «Не нужно покупать книгу и читать ее!»В Интернете так много ресурсов, просто читайте больше официальных документов!』
Тем не менее, недостаточно знать, что операции определенной инструкции недостаточно.В фактическом анализе данных вам может потребоваться объединить несколько инструкций для достижения целей.В настоящее время вам нужно знать, как использовать панды.Например, как вы должны делать, когда вы сталкиваетесь с проблемой сложности памяти данных, которая вызывает сложность неспособности плавно проанализировать данные?
Из официальной документации Pandas вы можете узнать, как преобразовывать типы полей и как запрашивать точность поля с плавающей запятой.Комбинируя эти два метода, вы можете очень легко сократить использование памяти вашим DataFrame.К сожалению, официальная документация не расскажет вам об этом трюке, и вам придется потратить время, чтобы разобраться в нем самостоятельно.В процессе исследования неизбежно будет сделано множество обходных путей.
Эта книга — не просто справочник по синтаксису Pandas.Цель автора при написании этой книги состоит в том, чтобы читатели могли учиться на полных примерах и полностью понимать важность использования методов Pandas.Кроме того, автор привык давать разные решения одной и той же проблемы и сравнивать эффективность разных подходов.Благодаря этому читатели смогут узнать, какой подход является оптимальным решением при фактическом анализе данных в будущем.
Коллекция реальной информации!
В настоящее время большинство книг Pandas на рынке предназначены для обучения с использованием поддельных наборов данных, генерируемых Chaos.Это заставит вас не знать, с чего начать при столкновении с реальным набором данных.Ввиду этого автор этой книги использует много реальных наборов данных, чтобы разрешители испытать рабочее содержание аналитиков данных.Набор данных в книге содержит:
● Коллекция информации о фильмах IMDB 5000
● Набор информации о запасах Tesla
● Набор данных анкеты Kaggle
● Сбор информации о качествах алмаза
● Сбор информации Американского университета
●США Сбор информации о внутренних рейсах
● Набор информации о уголовном деле в Денвере
● Алта Нианджу
● Набор экономических данных в США.
…ждать
Наиболее полное обучение навыкам панд!
Чтобы сделать читателей лучше понять, содержание каждого раздела в книге сопоставлено с полным примером.Читатели могут начать с чтения набора данных и постепенно понимать брови анализа данных.Книга преподавала 114 методов для фактического боя Панда, чтобы убедиться, что читатели могут полностью овладеть ее сущностью.Чему узнают читатели:
● Снижение значений централизованной концентрации данных
● Обработка проблемы индексации взрыва
● Объедините несколько объектов Pandas
● Добавлена и удаляли поля в DataFrame
● Получить статистическую информацию о конкретной области
● Конвертированное направление работы DataFrame
● Уменьшите память данных DataFrame
● Смешанная позиция и метка для выбора информации
● Реализация функции SQL через панды
● Групповые и агрегатные вычисления нескольких полей
● Возьмите настройку данных в аккуратную форму
● Отфильтруйте поле, содержащие данные временных рядов
● С Matplotlib и Seaborn для визуальных данных
● Авторинг кода панда в Юпитере
…ждать
Если вы не хотите помнить, чтобы запомнить грамматику Pandas, вы также хотите узнать, как использовать навыки, вы можете попробовать ее с примерами в книге, чтобы убедиться, что ваша способность анализа данных может быть выше!
Характеристика
●Комплексное внедрение последней версии Pandas 1.x.
●Самое полное руководство по Pandas, обучающее 114 практическим навыкам.
● В нем содержится более 114 примеров и слишком много ценного опыта анализа данных. Обучение на практике более эффективно.
● Используйте набор данных в реальном мире для накопления фактических боевых возможностей
● С Numpy, Matplotlib, Seaborn, Pandarallel, большими ожиданиями, питестом, гипотезой и другими инструментами, расширяйте свой арсенал
● Полное описание метода загрузки файла CSV, файла JSON, данных SQL и таблицы HTML
● Эта книга контролируется исследовательским управлением Ши Вайминга.
Оглавление
☆Глава 0: Основы Pandas Suite
0-1 объект DataFrame
0-2 атрибуты DataFrame (атрибуты)
0-3 серии объект
0-4 Тип данных в пандах
☆Глава 1. Основные операции с DataFrame и Series.
1-1 Выберите поле DataFrame
1-2 метод серии вызовов (метод)
1-3 Связанная операция серии
1-4 метод соединения серии
1-5 Измените имя поля
1-6 новых и удаленных полей
☆Глава 2: Навыки работы с DataFrame
2-1 Выберите несколько полей DataFrame
2-2 Используйте метод, чтобы выбрать поле
2-3 Сортировать имя поля
2-4 Статистический метод DataFrame
2-5 Метод обработки данных
2 -6 Оператор расчета DataFrame оператора расчета
2-7 латиноскопия
2-8 Направление операций на данных о рамке данных
2.9 Drill: определите разнообразие университетских городков
☆Глава 3: Создание и сохранение DataFrame
3-1 с нуля, DataFrame
3-2 Access CSV-файл
3-3 Читать большие файлы CSV
3-4 Используйте файлы Excel
3-5 Прочтите информацию в файле ZIP
3-6 База данных доступа
3-7 Данные из формата JSON
3-8 Читать форму HTML
☆Глава 4: Начало анализа данных
4-1 Сформулируйте обычную программу для анализа данных
4-2 Информационный словарь
4-3 Измените тип данных, чтобы уменьшить дозировку памяти
4-4 Сортировка данных
4-5 Выберите максимальное и минимальное значения каждой группы после сортировки
4-6 Используйте sort_values(), чтобы выбрать максимальное значение.
4-7 Служба дела: рассчитайте цену на мобильную остановку
☆Глава 5: Исследовательский анализ данных
5-1 Абстрактная статистика Информация
5-2 Типы данных конверсии
5-3 Преобразование данных и обработка недостающих значений
5-4 Просмотреть распределение непрерывных данных
5-5 Просмотреть различное распределение данных классификации
5-6 Сравнение непрерывной корреляции столбца
5-7 Корреляция между масштабированием поля рубца
5-8 Используйте библиотеку функций профилирования, чтобы установить сводный отчет
☆Глава 6: Выбор подмножества данных
6-1 Выберите инсульт или избегайте информации о сервере
6-2 Выберите столбец DataFrame
6-3 Выберите столбец и поле DataFrame одновременно
6-4 смешанную позицию и этикетки для выбора информации
6-5 среза в порядке букв метки
☆Глава 7: Использование логического массива для фильтрации определенных данных
7-1 Рассчитайте статистическую информацию массива Brin
7-2 Установите несколько условий Blin
7-3 фильтр с массивом Брина
7-4 выбор Боллинджера против выбора индекса
7-5. Выберите данные, используя уникальные или отсортированные индексные теги.
7-6 Используйте панды для реализации функции в SQL
7-7 Используйте метод запроса для улучшения читаемости выбранного Bling
7-8 Используйте где () для поддержания размера сервера
7-9 покрыть столбец DataFrame
7-10 Выберите информацию с массивом Blin, показателями позиции и метками
☆Глава 8: Выравнивание индекса и поиск максимального значения поля
8-1 объект индекса тестирования
8-2 Декарт
8-3 Взрыв
8-4 Заполните потерю пропущенных значений
8-5 Увеличьте поле из разных данных данных
8-6 Выделите максимальное значение каждого поля
8-7 Метод подключения для реализации функции idxmax ()
8-8 Найдите наиболее распространенное максимальное значение поля.
☆Глава 9: Агрегация, фильтрация и преобразование посредством группировки
9-1 выполняйте простую группировку и агрегацию
9-2 Выполнение и агрегирование вычислений для нескольких полей
Удалить multinex после 9-3 группировки
9-4 Используйте настроенную функцию агрегата для группы
9-5 Совокупные форматы, которые могут получать несколько параметров
9-6 углубленное понимание групповых объектов
9-7 фильтруют конкретную композицию
9-8 Информация о преобразовании пакетов в конкретных областях
9-9 Использование Apply () для расчета среднего значения
9-10 Группировка с непрерывными значениями изменений
9-11 Случай Случай: Рассчитайте общее количество рейсов между городами
9-12 Случай по делу: найдите непрерывную и разделение времени рекорд для полета
☆Глава 10: Преобразование данных в аккуратную форму
10-1 Используйте Stack (), чтобы разобраться с информацией «Имя поля как значение переменной»
10-2 Данные из Melt (), чтобы разобраться в «Имя файла как значение переменной»
10-3 стека несколько наборов переменных одновременно
10-4 поля Укладывания обратной работы
10-5 Операция по борьбе с ткани после суммирования информации
10-6 Функция моделирования pivot_table с GroupBy ()
10-7 переименованные в разные уровни в каждой оси
10-8 Переоценка «Имя размещения содержит несколько переменных»
10-9 Переоценка «Многочисленные переменные, хранящиеся в одном поле»
10-10 Материалов «Многоцветь в единичных оценках хранения содержит многознание»
10-11 Сортировать информацию «Имя волокна и значения волокна содержит переменные»
☆Глава 11: Анализ временных рядов
11-1 Узнайте разницу между Python и Pandas Date
11-2 Slice для последовательности времени
11-3 фильтруют поле, содержащее данные о времени
11-4 подходит только для DateTimeIndex
11-5 повторная группа в соответствии с периодом времени
11-6 групп суммируют несколько столбцов одного и того же времени
11-7 Случай: статистика уровня преступности с «несколько недель»
11-8 Используйте анонимную функцию для группы
11-9 Используйте временные метки для группы с другой столбцом
☆Глава 12: Визуализация данных с использованием Matplotlib, Pandas и Seaborn.
12-1 Начало работы с Matplotlib
12-2 Объектно-ориентированное руководство Matplotlib
12-3 Визуализация данных с помощью Matplotlib
12-4. Используйте Pandas для рисования базовой графики.
12-5 Набор визуальных полетных данных
12-6. Найдите тенденции с помощью составных диаграмм с областями.
12-7 Понимание различий между Seaborn и Pandas
12-8 Многомерный анализ с использованием Seaborn
Бонус A: объедините несколько DataFrame или Series.
A-1 Добавьте новый столбец в DataFrame
A-2 Подключение нескольких фреймов данных
A-3 Различия между concat(), join() и merge()
A-4 Подключение к базе данных SQL
Бонус B: Прохождение кейса — раскрытие парадокса Симпсона с помощью Seaborn
Бонус C: Производительность, отладка и тестирование Pandas.
C-1 Данные о конверсии
C-2 Производительность метода apply()
C-3 Улучшение производительности apply()
C-4 Советы по быстрому просмотру кода
C-5 Отладка в Jupyter
C-6 Используйте большие надежды для управления целостностью данных
C-7 Использование pytest для тестирования Pandas
C-8 Использование гипотезы для создания тестов
Узнать больше
