1) O documento apresenta 28 comandos úteis da biblioteca Pandas do Python, incluindo como importar Pandas, criar Series e DataFrames, ler e escrever arquivos CSV e Excel, remover linhas e colunas, coletar informações sobre DataFrames, criar novas colunas, renomear colunas, resumir dados, aplicar funções, ordenar valores e realizar operações em Series.
2) A biblioteca Pandas é a favorita do autor para análise e visualização de dados, mas no início ele não conhecia suas muitas funções úteis.
3
1) O documento apresenta 28 comandos úteis da biblioteca Pandas do Python, incluindo como importar Pandas, criar Series e DataFrames, ler e escrever arquivos CSV e Excel, remover linhas e colunas, coletar informações sobre DataFrames, criar novas colunas, renomear colunas, resumir dados, aplicar funções, ordenar valores e realizar operações em Series.
2) A biblioteca Pandas é a favorita do autor para análise e visualização de dados, mas no início ele não conhecia suas muitas funções úteis.
3
1) O documento apresenta 28 comandos úteis da biblioteca Pandas do Python, incluindo como importar Pandas, criar Series e DataFrames, ler e escrever arquivos CSV e Excel, remover linhas e colunas, coletar informações sobre DataFrames, criar novas colunas, renomear colunas, resumir dados, aplicar funções, ordenar valores e realizar operações em Series.
2) A biblioteca Pandas é a favorita do autor para análise e visualização de dados, mas no início ele não conhecia suas muitas funções úteis.
3
1) O documento apresenta 28 comandos úteis da biblioteca Pandas do Python, incluindo como importar Pandas, criar Series e DataFrames, ler e escrever arquivos CSV e Excel, remover linhas e colunas, coletar informações sobre DataFrames, criar novas colunas, renomear colunas, resumir dados, aplicar funções, ordenar valores e realizar operações em Series.
2) A biblioteca Pandas é a favorita do autor para análise e visualização de dados, mas no início ele não conhecia suas muitas funções úteis.
3
Baixe no formato DOCX, PDF, TXT ou leia online no Scribd
Fazer download em docx, pdf ou txt
Você está na página 1/ 4
28 comandos úteis de Pandas que talvez você não conheça
Paulo Vasconcellos
Conheça as melhores funções para te ajudar a usar a biblioteca Pandas do
Python.
Pandas é a minha biblioteca favorita do Python. Seja para Data Visualization ou
para Data Analysis, a praticidade e funcionalidade que essa ferramenta oferece não é encontrada em nenhum outro módulo. Quando comecei a usá-lo, não tinha conhecimento das variadas funções que Pandas oferece para resolver diversas tarefas, o que me fazia criar uma série de loop for e while para resolver o problema. Hoje, mais maduro no uso do “Pandão”, decidi trazer uma lista dos meus comandos favoritos. Confira:
O DataCamp também reuniu uma série de comandos em um prático PDF. Clique
aqui para conferir (Inglês).
Importando o Pandas por convenção
Aqui vai uma informação que talvez você já conheça: sempre que importar o Pandas, utilize a regra de convenção. Isso faz com que pessoas que lerem seu código no futuro — incluindo você mesmo — possa identificar a biblioteca mais facilmente. Por regra, Pandas deve ser importado sob o nome de pd, assim:
import pandas as pd
Series e DataFrame
Posso estar sendo meio óbvio falando sobre Series e DataFrame para alguém que já está acostumado a usar o Pandão, mas quero deixar claro para aqueles que estão começando a principal diferença entre esses dois tipos de Estrutura de Dados.
Series nada mais é que um array de 1 dimensão. Você pode considerar
um Series também como uma coluna de uma tabela. Exemplo: >>> s = pd.Series([3, -5, 7, 4], index=['a', 'b', 'c', 'd']) Saída do código acima: um array de valores indexados
Um DataFrame é simplesmente um conjunto de Series. Trata-se de
uma estrutura de dados de 2 dimensões — colunas e linhas — que transforma os dados em uma bela tabela. Exemplo:
#Criando um dicionário onde cada chave será uma coluna do DataFrame
Agora sim! Confira os melhores comandos para utilizar no
Pandas Sugiro a você salvar esse artigo em seus favoritos para futuras consultas. Para deixar sua leitura mais agradável, prepare-se para enxurrada de GIFs!
Abrindo e escrevendo arquivos CSV:
#Para ler arquivos CSV codificados em ISO >>> pd.read_csv('nome_do_arquivo.csv', encoding='ISO-8859-1') #Para escrever arquivos CSV >>> pd.to_csv('nome_do_arquivo_para_salvar.csv')
Abrindo arquivos de Excel:
>>> xlsx = pd.ExcelFile('seu_arquivo_excel.xlsx') >>> df = pd.read_excel(xlsx, 'Planilha 1') Removendo linhas e colunas: #Removendo linhas pelo index s.drop([0, 1]) #Removendo colunas utilizando o argumento axis=1 df.drop('País', axis=1)
Coletando informações básicas sobre o
DataFrame: #Quantidade de linhas e colunas do DataFrame >>> df.shape #Descrição do Index >>> df.index #Colunas presentes no DataFrame >>> df.columns #Contagem de dados não-nulos >>> df.count()
Criando uma nova coluna em um DataFrame:
>>> df['Nova Coluna'] = 0
Renomeando colunas de um DataFrame:
#Se seu DataFrame possui 3 colunas, passe 3 novos valores em uma lista df.columns = ['Coluna 1', 'Coluna 2', 'Coluna 3']
Resumo dos dados:
#Soma dos valores de um DataFrame >>> df.sum() #Menor valor de um DataFrame >>> df.min() #Maior valor >>> df.max() #Index do menor valor >>> df.idmin() #Index do maior valor >>> df.idmax() #Resumo estatístico do DataFrame, com quartis, mediana, etc. >>> df.describe() #Média dos valores >>> df.mean() #Mediana dos valores >>> df.median()
Aplicando funções: #Aplicando uma função que substitui a por b df.apply(lambda x: x.replace('a', 'b')) Ordenando valores: #Ordenando em ordem crescente df.sort_values() #Ordenando em ordem decrescente df.sort_values(ascending=False)
Operações aritméticas em Series:
>>> s = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e']) #Somando todos os valores presentes na Series por 2 >>> s.add(2) #Subtraindo 2 de todos os valores >>> s.sub(2) #Multiplicando todos os valores por 2 >>> s.mul(2) #Dividindo valores por 2 >>> s.div(2)
Indexação por Boolean:
#Filtrando o DataFrame para mostrar apenas valores pares df[df['População'] % 2 == 0]
