Pandas के साथ डेटा विश्लेषण

पैंडस डेटा के विश्लेषण और हेरफेर के लिए एक शक्तिशाली पाइथन लाइब्रेरी है। यह DataFrame और श्रृंखला जैसी डेटा संरचनाएँ उपलब्ध कराती है, जिनसे डेटा को साफ़ करना, रूपांतरित करना और उसका विश्लेषण करना आसान हो जाता है।

इस पाठ में आप पैंडस की बुनियादी बातें और डेटा विश्लेषण के लिए इसका उपयोग करना सीखेंगे।

पैंडस इंस्टॉल करने के लिए अपने टर्मिनल में निम्नलिखित कमांड का उपयोग करें:

pip install pandas

इंस्टॉल करने के बाद आप अपने पाइथन प्रोग्रामों में पैंडस को इम्पोर्ट कर सकते हैं:

# Importing pandas
import pandas as pd

print("Pandas imported successfully")

DataFrame पैंडस में डेटा की द्वि-आयामी, सारणीबद्ध संरचना है। यह स्प्रेडशीट या एसक्यूएल तालिका के समान होती है।

आप शब्दकोश, सूची या बाहरी फ़ाइल से DataFrame बना सकते हैं:

# 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)

पैंडस बाहरी फ़ाइलों, जैसे CSV, एक्सेल और जेएसओएन फ़ाइलों से डेटा पढ़ना आसान बनाता है:

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

आप head(), info() और describe() जैसी विधियों का उपयोग करके DataFrame की संरचना और सामग्री की जाँच कर सकते हैं:

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

पैंडस आपको शर्तों और अनुक्रमण का उपयोग करके पंक्तियों को आसानी से छाँटने और स्तंभ चुनने की सुविधा देता है:

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

पैंडस डेटा को साफ़ करने के लिए अनुपस्थित मानों को संभालने, स्तंभों के नाम बदलने और दोहराव वाली प्रविष्टियों को हटाने जैसी विधियाँ उपलब्ध कराता है:

# 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)

पैंडस आपको योग करने, औसत निकालने और डेटा के समूह बनाने जैसे एकत्रीकरण करने की सुविधा देता है:

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

यहाँ कुछ ऐसी गलतियाँ दी गई हैं जिनसे बचना चाहिए:

• अनुपस्थित मानों को सही ढंग से न संभालना।
• वेक्टरकृत संचालन के बजाय अक्षम लूप का उपयोग करना।
• डेटा में बदलाव करने वाले संचालन के लिए inplace=True निर्दिष्ट करना भूल जाना।

इस पाठ में आपने सीखा:

• पैंडस को इंस्टॉल और इम्पोर्ट करना।
• DataFrames की संरचना और उन्हें बनाना।
• पैंडस का उपयोग करके डेटा पढ़ना, साफ़ करना, छाँटना और एकत्रित करना।

बहुत अच्छा! अब अगले विषय पर चलते हैं।