Kanaries · Base de connaissances
Tutoriels pratiques, références et correctifs pour ce thème.
La méthode la plus simple : df['nouvelle_colonne'] = valeurs. Comparez les 6 façons d'ajouter une colonne — assignation, insert(), assign(), concat(), colonnes calculées et conditionnelles — avec tableau de décision, exemples et pièges à éviter.
df[df['colonne'] == valeur] renvoie les lignes correspondantes. Toutes les méthodes pour rechercher une valeur dans une colonne d'un DataFrame — indexation booléenne, isin(), query(), str.contains(), valeurs manquantes — avec conseils de performance.
df.rename(columns={'ancien': 'nouveau'}) renomme une colonne sans toucher aux autres. Les 6 méthodes pour renommer une ou toutes les colonnes d'un DataFrame — rename(), df.columns, set_axis(), list comprehensions — avec aide-mémoire et pièges.
Apprenez à utiliser pandas melt() pour dé-pivoter des DataFrames du format wide vers le format long. Couvre id_vars, value_vars, la fusion multi-niveaux et des exemples concrets de remodelage.
Maîtrisez pandas pivot_table() pour la synthèse de données. Découvrez les fonctions d’agrégation, les pivots multi-index, les totaux (margins), le remplissage des valeurs, et la comparaison avec groupby et crosstab.
Maîtrisez pandas reset_index() avec des exemples pratiques couvrant le paramètre drop, la réinitialisation par niveau, la gestion des MultiIndex, les opérations inplace et les bonnes pratiques de manipulation d’index.
Apprenez a exporter des DataFrames Pandas vers des fichiers CSV avec to_csv(). Maitrisez les separateurs, l'encodage, la gestion de l'index, la compression et les strategies pour les gros fichiers.
Apprenez toutes les façons de supprimer des colonnes dans pandas : drop(), del, pop() et sélection de colonnes. Gérez la suppression de colonnes simple, multiple et conditionnelle avec des exemples.
Apprenez à remplir les valeurs manquantes dans Pandas avec fillna(), interpolate() et les méthodes associées. Maîtrisez la gestion des NaN avec forward fill, backward fill et des stratégies personnalisées.
Apprenez à trier les DataFrames dans pandas avec sort_values() et sort_index(). Maîtrisez le tri par colonne unique, colonnes multiples et personnalisé avec des exemples pratiques.
Apprenez à filtrer les lignes dans les DataFrames pandas en utilisant l'indexation booléenne, query(), loc[] et where(). Maîtrisez la sélection conditionnelle avec plusieurs conditions.
Apprenez à utiliser pandas apply() pour transformer des DataFrames et des Series avec des fonctions personnalisées. Maîtrisez axis, result_type, lambda et les alternatives vectorisées.
Apprenez à utiliser pandas concat pour combiner des DataFrames verticalement et horizontalement. Maîtrisez pd.concat() avec les paramètres axis, ignore_index, keys et join.
Apprenez à utiliser pandas drop_duplicates() pour supprimer les lignes en double des DataFrames. Maîtrisez les paramètres subset, keep et inplace avec des exemples pratiques.
Apprenez à utiliser pandas merge pour combiner des DataFrames en Python. Maîtrisez les jointures internes, externes, gauches et droites avec des exemples de code pratiques et les meilleures pratiques.
Apprenez à utiliser pandas read_excel pour importer des fichiers .xlsx et .xls dans des DataFrames. Maîtrisez les sheets, dtypes, headers, usecols et la gestion de gros fichiers.
Calculez moyennes mobiles, statistiques cumulées et lissage exponentiel avec rolling, expanding et ewm ; contrôlez l’alignement de la fenêtre, min_periods et les fenêtres basées sur le temps.
Nettoyez, filtrez et normalisez le texte avec le type string de pandas et les méthodes vectorisées .str ; évitez les boucles Python tout en gérant correctement les regex, les valeurs manquantes et les découpages.
Créer, découper et remodeler des index hiérarchiques avec set_index, swaplevel, reorder_levels, xs, stack et unstack.
Un workflow Pandas prêt pour la prod : valeurs manquantes, coercition de types, normalisation des colonnes, traitement des outliers et contrôles qualité.
Maîtrisez Pandas GroupBy avec des exemples clairs d’aggregation, transform, apply, multi-agg et les pièges fréquents comme le tri et dropna.
Guide concis de merge et join Pandas : inner/left/right/outer, suffixes, indicator, validate et gestion des doublons ou clés d’index.
Apprenez à remodeler les données avec pivot, pivot_table, melt, stack et unstack, y compris les totaux, les colonnes multi-niveaux et un flux tidy.
Découvrez les méthodes modernes et efficaces pour convertir un DataFrame Pandas en liste — y compris les listes de listes, les listes de dicts, les listes de tuples et les conversions de colonne en liste avec to_numpy(), tolist() et to_dict().
Découvrez plusieurs façons de créer un DataFrame vide avec Pandas, y compris les noms de colonnes, les types de données et les bonnes pratiques. Exemples mis à jour et conseils modernes sur Pandas inclus.
Un tutoriel complet et à jour sur l’utilisation de pandas.read_csv() pour importer des fichiers CSV efficacement. Découvrez les paramètres, l’analyse de dates, les problèmes d’encodage, les erreurs courantes et les astuces de performance pour pandas 2.0+.
Apprenez à accélérer vos dataframes Pandas en Python avec Modin – une bibliothèque légère et simple d’utilisation qui active le calcul parallèle pour exécuter plus rapidement les opérations sur les dataframes.
Dans ce guide détaillé, nous plongerons dans les erreurs de clé courantes dans Pandas, pourquoi elles se produisent et comment vous pouvez les prévenir et les résoudre dans vos dataframes.
Apprenez comment tracer facilement des données à l'aide de Pandas dans ce guide complet avec 21 exemples de code. Des graphiques linéaires aux graphiques à barres, nous avons tout ce qu'il vous faut.
Découvrez comment utiliser efficacement la fonction get_dummies de Pandas pour la préparation des données en apprentissage automatique. Comprend des exemples détaillés et des cas d'utilisation.
Plongez dans ce guide complet sur l'utilisation de Pandas to_datetime pour manipuler et formater les dates dans vos ensembles de données. Apprenez grâce à des exemples du monde réel et des codes d'exemple uniques.
Explorez le monde des DataFrame et Series de Pandas, apprenez à vérifier, remplir et supprimer les valeurs manquantes. Découvrez les secrets de l'analyse ad hoc et des jeux de données gratuits.
Maîtrisez l'art des opérations de Pandas dataframe en Python avec ce guide complet. Apprenez les techniques d'installation, de création, de manipulation, de nettoyage et de visualisation pour faire passer vos compétences en science des données au niveau supérieur.
Apprenez la syntaxe et les exemples de l'utilisation de DataFrame loc[] de Pandas pour accéder et filtrer les données par label ou tableau booléen. Comprenez les différences entre loc[] et iloc[] et explorez les avantages de l'utilisation de loc[].
Découvrez la puissance des bases de données vectorielles pour le stockage et la recherche de données spatiales en Python. Débloquez de nouvelles capacités en IA générative et en traitement du langage naturel avec DocArray de Jina AI.
Apprenez comment convertir facilement un DataFrame Pandas en un tableau NumPy avec des conseils, des exemples et des guides étape par étape en Python. Améliorez vos compétences en analyse de données dès aujourd'hui!
Exploitez la puissance de la bibliothèque Pandas de Python pour créer et interpréter des histogrammes. Ce guide détaillé vous mènera du novice à l'expert, avec des exemples pratiques et des pièges courants à éviter.
Exploitez le potentiel de la méthode shift de Pandas en Python pour votre analyse de données. Plongez dans sa syntaxe, ses cas d'utilisation et les meilleures pratiques dans notre guide détaillé.
Découvrez comment déballer efficacement des listes dans les colonnes Pandas en utilisant Python. Explorez la méthode `unstack()`, `df.explode()` et résolvez des problèmes courants avec notre guide détaillé.
Bloqué par l'erreur 'cannot mask with non-boolean array containing na / nan values' dans Pandas ? Plongez-vous dans notre guide complet pour comprendre et résoudre cette erreur courante dans la manipulation des données.
Découvrez comment utiliser la méthode to_sql() de pandas pour écrire un DataFrame dans une base de données SQL de manière efficace et sécurisée. Apprenez les bonnes pratiques, les astuces pour optimiser les performances et éviter les écueils courants.
Un guide complet pour créer des tables de tabulation croisée à l'aide de la fonction crosstab de pandas en Python. Apprenez comment comparer des variables et calculer des tables de fréquence facilement.
Plongez dans la réorganisation des colonnes dans un DataFrame Pandas. Libérez la puissance de la programmation Python pour la manipulation et l'analyse des données.
Exploitez la puissance de la bibliothèque Pandas de Python pour créer, personnaliser et visualiser des histogrammes. Plongez dans le monde de la visualisation de données avec plusieurs colonnes, des bacs et des groupes.
Un guide complet sur l'utilisation du typage pandas avec Python pour un code efficace et maintenable. Apprenez comment utiliser les indications de type, les data frames et le module de typage pour le machine learning et plus encore.
Plongez dans le monde de Pandas unstack, un outil puissant pour remodeler vos cadres de données. Apprenez comment l'utiliser, quand l'utiliser, et explorez des exemples pratiques.
Découvrez Pandasql, un puissant package Python pour interroger et manipuler les données dans des DataFrames Pandas en utilisant la syntaxe SQL. Apprenez à installer, utiliser et optimiser Pandasql avec notre guide complet.
Plongez dans le monde de la visualisation des données avec Python et Pandas. Apprenez à créer des graphiques convaincants qui fournissent des informations précieuses sur vos données.
Apprenez comment convertir un dictionnaire en DataFrame en Python en utilisant la bibliothèque Pandas. Découvrez différentes méthodes pour convertir des dictionnaires avec des longueurs et des clés variables en colonnes.
Apprenez comment trier les données dans un DataFrame Pandas en utilisant Python. Ce tutoriel complet couvre le tri par colonne, par plusieurs colonnes, par index, et plus encore.
Découvrez comment utiliser la méthode `sort_index()` pour trier un DataFrame Pandas selon son indice avec des exemples. Améliorez vos compétences en manipulation de données grâce à ces instructions étape par étape de Spark By Examples.
Maîtrisez l'art de la manipulation des données en Python avec la requête Pandas. Ce guide fournit des exemples détaillés, des outils et des comparaisons avec d'autres méthodes comme loc.
Explorez en profondeur la fonction moyenne de la puissante bibliothèque Pandas en Python. Comprenez ses paramètres, ses cas d'utilisation, et maîtrisez la technique pour analyser les données efficacement.
Apprenez à classer efficacement vos données à l'aide de la fonction rank de Pandas avec des exemples pratiques et les meilleures pratiques. Améliorez vos compétences en matière d'analyse de données dès aujourd'hui.
Explorez différentes méthodes pour résoudre l'erreur 'No module named in Pandas', avec des explications approfondies et des exemples de code pratiques pour les projets de science des données Python.
Débloquez tout le potentiel de l'analyse des séries temporelles en Python avec notre guide détaillé sur l'utilisation de Pandas Resample. Maîtrisez les techniques de rééchantillonnage avec de nombreux exemples et des informations précieuses.
Un guide approfondi sur l'utilisation efficace de la fonction set_index() de Pandas pour l'analyse de données avec Python. Appréciez la puissance de la manipulation de DataFrame.
Améliorez vos compétences en manipulation de données avec Pandas 2.0. Découvrez les dernières fonctionnalités et les meilleures pratiques pour l'apprentissage automatique, les données de séries temporelles, etc. Commencez dès aujourd'hui.
Explorez la puissance de Python Pandas en apprenant comment résumer les dataframes à l'aide de différentes fonctions et techniques.
Découvrez les différentes techniques et fonctions disponibles dans Pandas pour gérer les données manquantes, notamment isnull(), dropna() et fillna().