Bien que les séries chronologiques soient également disponibles dans scikit-learn, Pandas a une sorte de fonctionnalités plus conformes. Dans ce module de Pandas, nous pouvons inclure la date et l'heure de chaque enregistrement et récupérer les enregistrements de dataframe. Nous pouvons trouver les données dans une certaine plage de date et d'heure en utilisant le module pandas nommé Time series. Manipulation des données avec pandas dataframe. Discutons de quelques objectifs majeurs pour présenter l'analyse des séries chronologiques des pandas. Objectifs de l'analyse des séries chronologiques Créer la série de dates Travailler avec l'horodatage des données Convertir les données de chaîne en horodatage Découpage des données à l'aide de l'horodatage Rééchantillonnez votre série chronologique pour différents agrégats de périodes / statistiques récapitulatives Travailler avec des données manquantes Maintenant, faisons une analyse pratique de certaines données pour démontrer l'utilisation des séries chronologiques des pandas.
> Modules non standards > Pandas > Introduction à Pandas Pandas est une librairie python qui permet de manipuler facilement des données à analyser: manipuler des tableaux de données avec des étiquettes de variables (colonnes) et d'individus (lignes). Manipulation des données avec pandas saison. ces tableaux sont appelés DataFrames, similaires aux dataframes sous R. on peut facilement lire et écrire ces dataframes à partir ou vers un fichier tabulé. on peut faciler tracer des graphes à partir de ces DataFrames grâce à matplotlib. Pour utiliser pandas: import pandas Copyright programmer en python, tutoriel python, graphes en python, Aymeric Duclert
sort_values rt_values(by="Rating", ascending=TRUE) #J'effectue un tri croissant par Rating Transformer des valeurs en integer avec my_dataframe["Reviews"] = mydataframe["Reviews"](lambda x: int(x))
Certaines stratégies initiales de visualisation des données peuvent vous aider.
10. to_csv Là encore, c'est une méthode que tout le monde utilise. Je voudrais souligner deux astuces ici. La première est: print(df[:5]. to_csv()) Vous pouvez utiliser cette commande pour imprimer les cinq premières lignes de ce qui va être écrit exactement dans le fichier. Une autre astuce consiste à traiter les nombres entiers et les valeurs manquantes mélangés ensemble. Si une colonne contient à la fois des valeurs manquantes et des entiers, le type de données sera toujours float au lieu de int. Introduction à Pandas. Lorsque vous exportez le tableau, vous pouvez ajouter float_format='%. 0f' pour arrondir tous les floats aux entiers. Utilisez cette astuce si vous ne voulez que des sorties d'entiers pour toutes les colonnes – vous vous débarrasserez de tous les «. 0 » gênants. Si vous avez aimé ces 10 astuces très utiles sur Python avec la bibliothèque Pandas, vous aimerez lire 12 techniques de manipulation de données. N'hésitez pas à partager un maximum sur les réseaux sociaux 🙂
Fusion de DataFrames à l'aide de merge(), les arguments passés sont les dataframes à fusionner avec le nom de la colonne. df1 = ad_csv("") merged_col = (df, df1, on='Name') merged_col Un argument supplémentaire 'on' est le nom de la colonne commune, ici 'Name' est la colonne commune donnée à la fonction merge(). Comment remplir les données manquantes à l'aide de Python pandas. df est la première trame de données et df1 est la deuxième trame de données à fusionner. Renommer les colonnes de dataframe à l'aide de rename(), les arguments passés sont les colonnes à renommer et à mettre en place. country_code = (columns={'Name': 'CountryName', 'Code': 'CountryCode'}, inplace=False) country_code Le code 'inplace = False' signifie que le résultat serait stocké dans un nouveau DataFrame au lieu de l'original. Création manuelle d'un dataframe: student = Frame({'Name': ['Rohan', 'Rahul', 'Gaurav', 'Ananya', 'Vinay', 'Rohan', 'Vivek', 'Vinay'], 'Score': [76, 69, 70, 88, 79, 64, 62, 57]}) # Reading Dataframe student Trier le DataFrame à l'aide de la méthode sort_values().
Ensuite, pour vérifier le résultat, nous utilisons la fonction d'impression. Afin de manipuler des séries temporelles, nous avons besoin d'un index datetime afin que dataframe soit indexé sur l'horodatage. Manipulation de DataFrames avec Pandas – Python – Acervo Lima. Ici, nous ajoutons une nouvelle colonne supplémentaire dans pandas dataframe. Code n ° 4: string_data = [ str (x) for x in range_date] print (string_data[ 1: 11]) ['2019-01-01 00:01:00', '2019-01-01 00:02:00', '2019-01-01 00:03:00', '2019-01-01 00:04: 00 ', ' 2019-01-01 00:05:00 ', ' 2019-01-01 00:06:00 ', ' 2019-01-01 00:07:00 ', ' 2019-01-01 00: 08:00 ', ' 2019-01-01 00:09:00 ', ' 2019-01-01 00:10:00 '] Ce code utilise simplement les éléments de data_rng et est converti en chaîne et en raison du grand nombre de données, nous découpons les données et imprimons la liste des dix premières valeurs string_data. En utilisant le for each loop in list, nous obtenons toutes les valeurs qui sont dans la série range_date. Lorsque nous utilisons date_range, nous devons toujours spécifier la date de début et de fin.