Python s'utilitza àmpliament com a llenguatge d'anàlisi de dades a causa de les seves biblioteques i eines robustes per gestionar les dades. Entre aquestes biblioteques hi ha Pandas, que facilita la manipulació i l'anàlisi de l'exploració de dades. utilitzarem  Pandes  per analitzar un conjunt de dades anomenat  Country-data.csv  de Kaggle. Mentre treballem amb aquestes dades, també introduïm alguns conceptes importants a Pandas.

1. Instal·lació

La manera més senzilla d'instal·lar pandes és utilitzar pip:

   pip   install   pandas   

o Descarrega'l des de  aquí .

2. Creació d'un DataFrame a Pandas

A  DataFrame  és una estructura de dades semblant a una taula a Pandas que té dades emmagatzemades en files i columnes. Es pot crear un DataFrame passant diversos objectes de la sèrie Python al fitxer  DataFrame  classe ( pd.DataFrame() ) utilitzant el  pd.Series  mètode. En aquest exemple s'utilitzen dos objectes Series:  s1  com a primera fila i  s2  com a segona fila.

Exemple 1: creació de DataFrame a partir de la sèrie:

   import   pandas   as   pd   # Creating two Series: s1 (numbers) and s2 (names)   s1   =   pd  .  Series  ([  1     2  ])   s2   =   pd  .  Series  ([  'Ashish'     'Sid'  ])   # Creating DataFrame by combining Series as rows   dataframe   =   pd  .  DataFrame  ([  s1     s2  ])   # Displaying the DataFrame   print  (  dataframe  )   

Sortida:

Exemple 2: DataFrame d'una llista amb índex personalitzat i noms de columnes:

   dataframe1   =   pd  .  DataFrame  ([[  1     2  ]   [  'Ashish'     'Sid'  ]]   index  =  [  'r1'     'r2'  ]   columns  =  [  'c1'     'c2'  ])   print  (  dataframe1  )   

Sortida:

Exemple 3: DataFrame d'un diccionari:

   dataframe2   =   pd  .  DataFrame  ({   'c1'  :   [  1     'Ashish'  ]   'c2'  :   [  2     'Sid'  ]   })   print  (  dataframe2  )   

Sortida:

3. Importar dades amb Pandas

El primer pas és llegir les dades. En el nostre cas, les dades s'emmagatzemen com a fitxer CSV (Comma-Separated Values) on cada fila està separada per una línia nova i cada columna per una coma. Per poder treballar amb les dades en Python cal llegir el csv  fitxer  en un Pandas DataFrame.

   import   pandas   as   pd   # Read Country-data.csv into a DataFrame   df   =   pd  .  read_csv  (  'Country-data.csv'  )   # Prints the first 5 rows of a DataFrame as default   df  .  head  ()   # Prints no. of rows and columns of a DataFrame   df  .  shape   

Sortida:

 (167 10)  
    4. Indexació de DataFrames amb Pandas    
 
 Pandas ofereix potents capacitats d'indexació. Podeu indexar DataFrames utilitzant tots dos     basat en la posició    i     basat en etiquetes    mètodes.  
 
    Indexació basada en la posició (utilitzant        iloc         ):    
 Python   
   # prints first 5 rows and every column which replicates df.head()   df  .  iloc  [  0  :  5  :]   # prints entire rows and columns   df  .  iloc  [::]   # prints from 5th rows and first 5 columns   df  .  iloc  [  5  ::  5  ]   
   
    Sortida:    
          
    Indexació basada en etiquetes (usant        loc         ):    
 
 La indexació es pot treballar amb etiquetes utilitzant el      pandas.DataFrame.loc     mètode que permet indexar utilitzant etiquetes en lloc de posicions.  
 
 Exemples:  
 Python   
   # prints first five rows including 5th index and every columns of df   df  .  loc  [  0  :  5  :]   # prints from 5th rows onwards and entire columns   df  .  loc  [  5  ::]   
   
    Sortida:    
       
  
 En realitat, l'anterior no sembla gaire diferent de df.iloc[0:5:]. Això es deu al fet que, mentre que les etiquetes de fila poden prendre qualsevol valor, les nostres etiquetes de fila coincideixen exactament amb les posicions. Però les etiquetes de columna poden facilitar molt les coses quan es treballa amb dades.  
 
    Exemple:    
 Python   
   # Prints the first 5 rows of Time period   # value    df  .  loc  [:  5    'child_mort'  ]   
   
    Sortida:    
    
    5. DataFrame Math amb Pandas    
 
 Pandas facilita la realització d'operacions matemàtiques sobre les dades emmagatzemades en marcs de dades. Les operacions que es poden realitzar en pandes estan vectoritzades, és a dir, són ràpides i s'apliquen automàticament a tots els elements sense utilitzar bucles.  
 
    Exemple: matemàtiques per columnes:    
 Python   
   # Adding 5 to every element in column A   df  [  'child_mort'  ]   =   df  [  'child_mort'  ]   +   5   # Multiplying values in column B by 10   df  [  'exports'  ]   =   df  [  'exports'  ]   *   10   df   
   
    Sortida:    
    
    Funcions estadístiques en pandes:    
 
 El càlcul de marcs de dades es pot fer utilitzant les eines de Funcions Estadístiques de pandas. Podem utilitzar funcions com:  
 
 
  df.sum()    → suma de valors  
 
  df.mean()    → mitjana  
 
  df.max()    /    df.min()    → valors màxim i mínim  
 
  df.describe()    → resum ràpid d'estadístiques  
 
 Python   
   # computes various summary statistics excluding NaN values   df  .  describe  ()   # Provides sum of all the values for each column   df  .  sum  ()   
   
    Sortida:    
       
 6. Visualització de dades amb Pandas i Matplotlib  
 
 Pandas és molt fàcil d'utilitzar      Matplotlib    una biblioteca potent que s'utilitza per crear diagrames i gràfics bàsics. Amb només unes poques línies de codi podem visualitzar les nostres dades i entendre-les millor. A continuació es mostren alguns exemples senzills que us ajudaran a començar a traçar amb Pandas i Matplotlib:  
 Python   
   # Import the library first   import   matplotlib.pyplot   as   plt   
   
    Histograma    
 
 Un histograma mostra la distribució dels valors en una columna.  
 Python   
   df  [  'income'  ]  .  hist  (  bins  =  10  )   plt  .  title  (  'Histogram of Income'  )   plt  .  xlabel  (  'Income Value'  )   plt  .  ylabel  (  'Frequency'  )   plt  .  show  ()   
   
    Sortida:    
    
    Plot de caixa    
 
 A      trama de caixa     és útil per detectar valors atípics i comprendre la propagació de dades.  
 Python   
   df   =   df  .  head  (  10  )   plt  .  figure  (  figsize  =  (  20     6  ))   # Increase width to make x-axis labels clearer   df  .  boxplot  (  column  =  'imports'     by  =  'country'  )   plt  .  title  (  'Boxplot by Country'  )   plt  .  suptitle  (  ''  )   # Removes default title   plt  .  xlabel  (  'Country'  )   plt  .  ylabel  (  'Imports'  )   plt  .  xticks  (  rotation  =  45  )   # Optional: Rotate x-axis labels for better visibility   plt  .  tight_layout  ()   # Adjust layout to avoid clipping   plt  .  show  ()   
   
    Sortida:    
    
    Gràfic de dispersió    
 
 A      trama de dispersió     mostra la relació entre dues variables.  
 Python   
   x   =   df  [  'health'  ]   y   =   df  [  'life_expec'  ]   plt  .  scatter  (  x     y     label  =  'Data Points'     color  =  'm'     marker  =  '*'     s  =  30  )   plt  .  xlabel  (  'Health'  )   plt  .  ylabel  (  'Life Expectancy'  )   plt  .  title  (  'Scatter Plot of Health vs Life Expectancy'  )   plt  .  legend  ()   plt  .  show  ()   
   
    Sortida:    
    
    Article relacionat:    
 
 
   Introducció Pandas    
 
   Traçat gràfic en Python    
 
   Treballant amb fitxers csv a Python    
 
   Pandas DataFrame    
 
   Introducció a Matplotlib    
 
   Histograma - Tipus de definició Gràfic i exemples    
 
   Plot de caixa    
 
   Gràfic de dispersió    
 
 
  
 
         Crea un qüestionari