Деталі електронної книги

O autorach

O korektorze merytorycznym

Wstęp

Wprowadzenie

Rozdział 1. Podstawy biblioteki pandas

• Importowanie biblioteki pandas
• Obiekt pd.Series
• Obiekt pd.DataFrame
• Obiekt pd.Index
• Atrybuty obiektu pd.Series
• Atrybuty obiektu pd.DataFrame

Rozdział 2. Wybieranie i przypisywanie wartości

• Podstawowe wybieranie wartości z obiektu pd.Series
• Podstawowe wybieranie wartości z obiektu pd.DataFrame
• Wybieranie wartości oparte na pozycji w obiekcie pd.Series
• Wybieranie wartości oparte na pozycji w obiekcie pd.DataFrame
• Wybieranie wartości oparte na etykietach w obiekcie pd.Series
• Wybieranie wartości oparte na etykietach w obiekcie pd.DataFrame
• Łączenie wyboru wartości opartego na pozycji i etykietach
• Metoda pd.DataFrame.filter
• Wybieranie wartości według ich typu
• Wybieranie i filtrowanie wartości za pomocą tablic logicznych
• Wybieranie wartości z obiektu pd.MultiIndex - jeden poziom
• Wybieranie wartości z obiektu pd.MultiIndex - wiele poziomów
• Wybieranie wartości z obiektu pd.MultiIndex - obiekt pd.DataFrame
• Przypisywanie elementów za pomocą metod .loc i .iloc
• Przypisywanie kolumn w obiekcie pd.DataFrame

Rozdział 3. Typy danych

• Typy całkowitoliczbowe
• Typy zmiennoprzecinkowe
• Typy logiczne
• Typy tekstowe
• Obsługa brakujących wartości
• Typy kategoryczne
• Typy czasowe - datetime
• Typy czasowe - timedelta
• Typy czasowe PyArrow
• Typy list PyArrow
• Typy dziesiętne PyArrow
• System typów NumPy, typ object i pułapki z nimi związane

Rozdział 4. System wejścia-wyjścia biblioteki pandas

• CSV - podstawy odczytu i zapisu
• CSV - strategie wczytywania dużych plików
• Microsoft Excel - podstawy odczytu i zapisu danych
• Microsoft Excel - wyszukiwanie tabel w niestandardowych lokalizacjach
• Microsoft Excel - dane hierarchiczne
• SQL z wykorzystaniem SQLAlchemy
• SQL z wykorzystaniem ADBC
• Apache Parquet
• JSON
• HTML
• Pickle
• Zewnętrzne biblioteki wejścia-wyjścia

Rozdział 5. Algorytmy i ich zastosowanie

• Podstawowe operacje arytmetyczne na obiektach pd.Series
• Podstawowe operacje arytmetyczne na obiektach pd.DataFrame
• Agregacje
• Transformacje
• Mapowanie
• Stosowanie funkcji
• Podsumowujące dane statystyczne
• Algorytmy grupowania
• Kodowanie "1 z n" za pomocą funkcji pd.get_dummies
• Łączenie operacji za pomocą metody .pipe
• Wybieranie filmów o najniższym budżecie z listy stu najlepszych
• Obliczanie ceny dla kroczącego zlecenia stop
• Wyszukiwanie najlepszych baseballistów
• Ustalanie pozycji zdobywającej najwięcej punktów dla drużyny

Rozdział 6. Wizualizacja

• Tworzenie wykresów na podstawie zagregowanych danych
• Wizualizacja rozkładów danych niezagregowanych
• Dostosowywanie do własnych potrzeb wykresów tworzonych za pomocą biblioteki Matplotlib
• Analiza wykresów punktowych
• Analiza danych kategorycznych
• Analiza danych ciągłych
• Wykorzystanie biblioteki seaborn do tworzenia zaawansowanych wykresów

Rozdział 7. Przekształcanie ramek danych

• Łączenie obiektów pd.DataFrame
• Łączenie ramek danych za pomocą pd.merge
• Łączenie ramek danych za pomocą pd.DataFrame.join
• Przekształcanie danych za pomocą pd.DataFrame.stack i pd.DataFrame.unstack
• Zmiana kształtu danych za pomocą pd.DataFrame.melt
• Przekształcanie danych za pomocą pd.wide_to_long
• Zmiana struktury danych za pomocą pd.DataFrame.pivot i pd.pivot_table
• Przekształcanie danych za pomocą pd.DataFrame.explode
• Transpozycja danych za pomocą pd.DataFrame.T

Rozdział 8. Grupowanie

• Podstawy grupowania
• Grupowanie i obliczenia na wielu kolumnach
• Grupowanie za pomocą funkcji apply
• Operacje na oknach
• Wybór najwyżej ocenianych filmów według roku
• Porównanie najlepszych pałkarzy w baseballu na przestrzeni lat

Rozdział 9. Algorytmy i typy danych czasowych

• Obsługa stref czasowych
• Przesunięcia dat
• Wybieranie daty i godziny
• Resampling
• Agregacja tygodniowych danych o przestępstwach i wypadkach drogowych
• Obliczanie rocznych zmian w kategoriach przestępstw
• Dokładny pomiar rejestrowanych przez czujniki zdarzeń, dla których brakuje wartości

Rozdział 10. Ogólne wskazówki dotyczące użytkowania i wydajności

• Unikaj użycia typu danych object
• Zwracaj uwagę na wielkość danych
• Używaj funkcji zwektoryzowanych zamiast pętli
• Unikaj modyfikowania danych
• Korzystaj ze słownika podczas pracy z danymi o niskiej liczbie unikalnych wartości
• Wykorzystuj techniki programowania sterowanego testami

Rozdział 11. Ekosystem biblioteki pandas

• Podstawowe biblioteki zewnętrzne
  • NumPy
  • PyArrow
• Eksploracyjna analiza danych
  • YData Profiling
• Sprawdzanie poprawności danych
  • Great Expectations
• Wizualizacja
  • Plotly
  • PyGWalker
• Nauka o danych
  • scikit-learn
  • XGBoost
• Bazy danych
  • DuckDB
• Inne biblioteki przeznaczone do pracy z ramkami danych
  • Ibis
  • Dask
  • Polars
  • cuDF

• Назва:Pandas. Receptury. Obliczenia naukowe, szeregi czasowe i eksploracyjna analiza danych w Pythonie. Wydanie III
• Автор:William Ayd, Matthew Harrison
• Оригінальна назва:Pandas Cookbook: Practical recipes for scientific computing, time series, and exploratory data analysis using Python, 3rd Edition
• Переклад:Robert Górczyński
• ISBN:978-83-289-3174-9, 9788328931749
• Дата видання:2025-12-09
• Формат:Eлектронна книга
• Ідентифікатор видання: panre3
• Видавець: Helion