🐼 Панды: что такое DataFrame и как им пользоваться?

DataFrame в библиотеке pandas представляет собой двумерную таблицу данных, которая содержит строки и столбцы. Она является основным объектом для работы с данными в pandas. Вот пример создания DataFrame из словаря:

import pandas as pd

data = {'Имя': ['Алексей', 'Екатерина', 'Иван'],
        'Возраст': [24, 28, 32],
        'Город': ['Москва', 'Санкт-Петербург', 'Екатеринбург']}

df = pd.DataFrame(data)

print(df)

Этот код создает DataFrame, содержащий информацию о имени, возрасте и городе трех человек. Результат будет выглядеть примерно так:

        Имя  Возраст            Город
0    Алексей       24           Москва
1  Екатерина       28  Санкт-Петербург
2       Иван       32    Екатеринбург

DataFrame также предоставляет множество методов для работы с данными, как с отдельными столбцами, так и с целыми таблицами. Например, с помощью метода `head()` можно вывести первые несколько строк таблицы:

print(df.head())

Результат:

        Имя  Возраст            Город
0    Алексей       24           Москва
1  Екатерина       28  Санкт-Петербург
2       Иван       32    Екатеринбург

DataFrame очень удобен для обработки и анализа данных, и вам пригодится в решении множества задач.

Что такое DataFrame в библиотеке pandas

В библиотеке pandas, DataFrame - это структура данных, представляющая собой двумерную таблицу, состоящую из рядов и колонок. Она является одним из наиболее универсальных и мощных инструментов для анализа данных в Python.

DataFrame можно сравнить с таблицей Excel или SQL-таблицей. Он предоставляет удобный способ организации, манипуляции и анализа данных. Эта структура данных широко используется в науке о данных, финансах, исследовании и других областях.

Создание DataFrame

Вот несколько способов создания DataFrame:

import pandas as pd

# Создание DataFrame из списка словарей
data = [{'Name': 'John', 'Age': 25, 'City': 'New York'},
        {'Name': 'Emily', 'Age': 30, 'City': 'Chicago'},
        {'Name': 'Michael', 'Age': 35, 'City': 'Los Angeles'}]

df = pd.DataFrame(data)

# Создание DataFrame из двумерного массива NumPy
import numpy as np

data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
df = pd.DataFrame(data, columns=['A', 'B', 'C'])

# Создание DataFrame из CSV-файла
df = pd.read_csv('data.csv')

Основные операции с DataFrame

DataFrame предоставляет множество методов и операций для работы с данными. Вот некоторые из них:

• head(): Возвращает первые несколько строк DataFrame.
• tail(): Возвращает последние несколько строк DataFrame.
• shape: Возвращает размерность DataFrame в виде (количество строк, количество столбцов).
• columns: Возвращает список названий столбцов DataFrame.
• dtypes: Возвращает информацию о типах данных столбцов.
• describe(): Возвращает статистическую сводку данных в DataFrame.
• sort_values(): Сортирует DataFrame по заданным столбцам.
• groupby(): Группирует данные по заданным столбцам.
• iloc[]: Индексация по числовым позициям в DataFrame.
• loc[]: Индексация по меткам в DataFrame.
• fillna(): Заменяет отсутствующие значения в DataFrame.

Пример использования DataFrame

Допустим, у нас есть DataFrame с информацией о студентах:

import pandas as pd

data = {'Name': ['John', 'Emily', 'Michael'],
        'Age': [25, 30, 35],
        'City': ['New York', 'Chicago', 'Los Angeles']}

df = pd.DataFrame(data)

Мы можем выполнять различные операции с этим DataFrame. Например, чтобы увидеть первые пять строк, мы можем использовать метод head():

df.head()

Вывод:

    Name  Age         City
0    John   25     New York
1   Emily   30      Chicago
2  Michael  35  Los Angeles

Мы также можем выполнить операции, такие как сортировка по столбцу "Age" и фильтрация данных:

# Сортировка по возрасту в порядке возрастания
df_sorted = df.sort_values('Age')

# Фильтрация по возрасту больше 30
df_filtered = df[df['Age'] > 30]

Заключение

DataFrame в библиотеке pandas - это мощный инструмент для работы с данными в Python. Он предлагает широкий спектр функций и операций, которые облегчают анализ и манипуляцию данными. Он может быть использован для обработки данных из разных источников, включая списки словарей, массивы NumPy и CSV-файлы.

Успешное владение DataFrame позволит вам эффективно работать с данными, проводить исследования и делать выводы на основе анализа. Поэтому рекомендуется изучить более подробную документацию по библиотеке pandas и попрактиковаться в создании и манипуляции DataFrame.