متن فیلم

ابزارهای وابسته یا کتابخانه‌ها، کدهای پیش‌نوشته‌ای هستند که برای کمک به حل مشکلات طراحی شدن. در این ویدئو، ما به معرفی Pandas می‌پردازیم، که یک کتابخانه محبوب برای تحلیل داده‌هاست. شما می‌توانید کتابخانه یا وابستگی را مانند Pandas با استفاده از دستور زیر وارد کنید. با دستورimport شروع کنید که نام کتابخانه به دنبال آن آمده است. اکنون شما به تعداد زیادی از کلاس‌ها و توابع از پیش ساخته شده دسترسی دارید. این فرض می‌کند کتابخانه نصب شده است. در محیط آزمایشگاه ما، تمام کتابخانه‌های لازم نصب شده اند. بگذارید بگوییم که می‌خواهیم یک فایل CSV را با استفاده از تابع داخلی پاندا، read_csv بارگذاری کنیم. CSV یک نوع فایل معمولی است که برای ذخیره داده‌ها استفاده می‌شود. به سادگی کلمه Pandas، سپس یک نقطه و نام تابع را با تمام ورودی‌ها تایپ کنید. نوشتن پاندا همیشه، ممکن است دشوار باشد، بنابراین می‌توانید از عبارت AS برای کوتاه کردن نام کتابخانه استفاده کنید. در این مورد، از اختصار استاندارد pd استفاده کنید. حالا pd را تایپ کنید. بعد یک نقطه و نام تابعی که می‌خواهید از آن استفاده کنید را تایپ کنید. در این مورد، read_csv. شما محدود به اختصار pd نیستید. در این مورد، ما از عبارت banana استفاده می‌کنیم. با این حال، ما برای بقیه ویدیو از pd استفاده می‌کنیم. اجازه دهید این کد را با جزئیات بیشتری بررسی کنیم. یکی از راه‌هایی که Pandas به شما امکان می‌دهد با داده‌ها کار کنید، DataFrame است. اجازه دهید روند انتقال از یک فایل CSV به یک DataFrame را بررسی کنیم. این متغیر مسیر CSV را ذخیره می‌کند که به عنوان یک آرگومان برای تابع read_csv استفاده می‌شود. نتیجه در متغیر df ذخیره می‌شود که اختصار DataFrame است. اکنون که داده‌ها را در یک DataFrame دارید، می‌توانید با آن کار کنید. شما می‌توانید از متد head برای بررسی پنج ردیف اول یک DataFrame استفاده کنید. فرآیند بارگذاری یک فایل اکسل مشابه است. از مسیر فایل اکسل استفاده کنید. تابع read_excel. نتیجه یک DataFrame است. یک DataFrame از ردیف‌ها و ستون‌ها تشکیل شده است. شما می‌توانید یک DataFrame را از یک دیکشنری ایجاد کنید. کلیدها مربوط به برچسب‌های ستون هستند. مقادیر، لیست‌های مربوط به ردیف‌ها هستند. سپس می‌توانید از طریق تابع DataFrame، دیکشنری را به یک DataFrame تبدیل کنید. به ارتباط مستقیمی که در جدول وجود دارد توجه کنید. کلیدها مربوط به سربرگ جدول هستند. مقادیر لیست‌ها مربوط به ردیف‌ها هستند. یک DataFrame جدید متشکل از یک ستون و نام نزدیک به DataFrame، در این مورد df ایجاد کنید و نام ستون سربرگ را در براکت دوگانه قرار دهید. نتیجه یک DataFrame جدید است که از ستون اصلی تشکیل شده است. شما می‌توانید همین کار را برای چندین ستون انجام دهید. محصور کردن نام DataFrame، در این مورد df، و نام‌های سربرگ‌های ستون‌های متعدد در دو براکت. نتیجه یک DataFrame جدید است که از ستون‌های مشخص شده تشکیل شده است. یکی از راه‌های دسترسی به عناصر منحصر به فرد با متد ILOC است. ورودی اول یک عدد است که نشان دهنده اندیس ردیف و دوم هم یک عدد است که نشان دهنده اندیس ستون است. شما می‌توانید به ردیف اول و ستون اول به صورت زیر دسترسی پیدا کنید. شما می‌توانید به ردیف دوم و ستون اول به شرح زیر دسترسی پیدا کنید! شما می‌توانید به ردیف اول، ستون سوم به صورت زیر دسترسی پیدا کنید و می‌توانید به ردیف دوم ، ستون سوم به صورت زیر دسترسی پیدا کنید. شما می‌توانید از نام اندیس ردیف و ستون نیز استفاده کنید. شما می‌توانید به ردیف اول ستون به نامArtist به صورت زیر دسترسی پیدا کنید. به طور مشابه، شما می‌توانید به ردیف دوم ستون به نامArtist دسترسی پیدا کنید. شما می‌توانید همین کار را برای ستون released انجام دهید. LOCK همچنین اگر اندیس یک عدد نباشد می‌تواند مورد استفاده قرار گیرد. ما یک دیتافریم جدید به نام df_new ایجاد می‌کنیم. ما اندیس 1، 2، 3 و غیره را با a، b، c جایگزین می‌کنیم. شما می‌توانید به اندیس a، یعنی ردیف اول ستون به نامArtist ، به شرح زیر دسترسی پیدا کنید. به طور مشابه، شما می‌توانید به اندیس b یا ردیف دوم ستون به نامArtist دسترسی پیدا کنید. شما می‌توانید همین کار را برای ستون released انجام دهید. همچنین می‌توانید دیتافریم‌ها را برش دهید و مقادیر را به یک دیتافریم جدید اختصاص دهید. دو ردیف اول و سه ستون اول را به متغیر z اختصاص دهید نتیجه یک دیتافریم تشکیل شده از ردیف‌ها و ستون‌های انتخاب شده است. همچنین می‌توانید دیتافریم‌ها را برش دهید و مقادیر را با استفاده از LOCK به یک دیتافریم جدید اختصاص دهید. این کد سه ردیف اول و تمام ستون‌ها بین ستون‌های Artist و released را اختصاص می‌دهد. نتیجه یک دیتافریم جدید Z با مقادیر مربوطه است. برای مثال‌های بیشتر آزمایشگاه‌ها را بررسی کنید.