مقدمة إلى Pandas

Pandas هي مكتبة Python قوية لتحليل البيانات ومعالجتها. توفر هياكل بيانات مثل DataFrame وSeries، مما يسهّل تنظيف البيانات وتحويلها وتحليلها.

في هذا الدرس، ستتعرّف على أساسيات Pandas وكيفية استخدامها لتحليل البيانات.

تثبيت Pandas

لتثبيت Pandas، استخدم الأمر التالي في الوحدة الطرفية:

pip install pandas

بعد التثبيت، يمكنك استيراد Pandas في نصوص Python البرمجية:

# Importing pandas
import pandas as pd

print("Pandas imported successfully")

ما هو DataFrame؟

DataFrame هو هيكل بيانات جدولي ثنائي الأبعاد في Pandas. وهو يشبه جدول البيانات أو جدول SQL.

يمكنك إنشاء DataFrame من قاموس أو قائمة أو ملف خارجي:

# Creating a DataFrame from a dictionary
data = {
    "Name": ["Alice", "Bob", "Charlie"],
    "Age": [25, 30, 35],
    "City": ["New York", "London", "Paris"]
}
df = pd.DataFrame(data)
print(df)

قراءة البيانات من الملفات

تسهّل Pandas قراءة البيانات من الملفات الخارجية، مثل ملفات CSV وExcel وJSON:

# Reading data from a CSV file
df = pd.read_csv("data.csv")
print(df.head())  # Displays the first 5 rows

فحص DataFrame

يمكنك فحص بنية DataFrame ومحتواه باستخدام أساليب مثل head() وinfo() وdescribe():

# Inspecting a DataFrame
df = pd.read_csv("data.csv")
print(df.info())  # Displays information about the DataFrame
print(df.describe())  # Provides statistical summaries

تصفية البيانات وتحديدها

تتيح لك Pandas تصفية الصفوف وتحديد الأعمدة بسهولة باستخدام الشروط والفهرسة:

# Filtering and selecting data
filtered_df = df[df['Age'] > 30]  # Select rows where Age > 30
print(filtered_df[['Name', 'City']])  # Select specific columns

تنظيف البيانات

توفر Pandas أساليب لتنظيف البيانات، مثل معالجة القيم المفقودة وإعادة تسمية الأعمدة وإزالة التكرارات:

# Handling missing values
df.fillna(0, inplace=True)  # Replace NaN values with 0

# Renaming columns
df.rename(columns={"Name": "Full Name"}, inplace=True)

# Dropping duplicates
df.drop_duplicates(inplace=True)
print(df)

إجراء عمليات التجميع

تتيح لك Pandas إجراء عمليات تجميع، مثل جمع البيانات وحساب متوسطها وتجميعها:

# Grouping and aggregating data
grouped = df.groupby('City')['Age'].mean()
print(grouped)  # Displays average age for each city

الأخطاء الشائعة في Pandas

إليك بعض الأخطاء التي ينبغي تجنبها:

• عدم معالجة القيم المفقودة بشكل صحيح.
• استخدام الحلقات غير الفعّالة بدلًا من العمليات المتجهة.
• نسيان تحديد inplace=True للعمليات التي تعدّل البيانات.

ما الذي تعلمناه؟

في هذا الدرس، تعلمت:

• كيفية تثبيت Pandas واستيرادها.
• بنية DataFrame وكيفية إنشائه.
• كيفية قراءة البيانات وتنظيفها وتصفيتها وتجميعها باستخدام Pandas.

أحسنت! لننتقل إلى الموضوع التالي.