Fondamenti di Series e DataFrame
Crei ed esamini strutture dati Pandas da varie origini.
Fondamenti di Series e DataFrame è una lezione Python Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Python Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Python Academy include 4 lezioni in totale.
Che cos'è Pandas?
Pandas fornisce Series (array 1-D con etichette) e DataFrame (tabella 2-D con etichette) basati su NumPy e ottimizzati per l'analisi dei dati.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Creazione di una Series
Crei una Series a partire da una lista, un dizionario o uno scalare. Per impostazione predefinita, l'indice utilizza interi a base zero.
import pandas as pd
# From list:
s1 = pd.Series([1, 2, 3])
# From dict (keys become index):
s2 = pd.Series({"x": 10, "y": 20})
# Scalar (broadcast):
s3 = pd.Series(5, index=range(4))
print(s3) # 0 5 / 1 5 / 2 5 / 3 5Creazione di un DataFrame
Crei un DataFrame a partire da un dizionario di liste, una lista di dizionari o un array NumPy.
import pandas as pd
df = pd.DataFrame({
"name": ["Alice","Bob","Carol"],
"age": [30, 25, 35],
"score":[95.5, 87.0, 92.3]
})
print(df)Ispezione di base
head(), tail(), shape, dtypes, info(), describe(): sono i primi strumenti da utilizzare con qualsiasi nuovo dataset.
import pandas as pd
df = pd.read_csv("data.csv")
print(df.head()) # first 5 rows
print(df.shape) # (rows, cols)
print(df.dtypes) # column types
print(df.describe()) # count, mean, std, min...Accesso alle colonne
Acceda a una colonna con la notazione con il punto o con le parentesi quadre. La notazione con il punto non funziona per i nomi di colonna contenenti spazi o in conflitto con gli attributi di DataFrame.
import pandas as pd
df = pd.DataFrame({"age":[30,25], "city":["NY","LA"]})
print(df["age"]) # preferred
print(df.age) # also works if name is simple
print(df[["age","city"]]) # multiple columnsNozioni di base sugli indici
L'indice identifica le righe. Per impostazione predefinita contiene 0, 1, 2... ma può essere impostato su qualsiasi valore hashable.
import pandas as pd
df = pd.DataFrame({"val":[10,20,30]}, index=["a","b","c"])
print(df.loc["b"]) # row with label b
print(df.index) # Index(['a','b','c'])
# Reset to default integer index:
df.reset_index(drop=True, inplace=True)Aggiunta e rimozione di colonne
Assegni un valore a una nuova chiave per aggiungere una colonna. Utilizzi drop() per rimuoverne una.
import pandas as pd
df = pd.DataFrame({"a":[1,2,3],"b":[4,5,6]})
df["c"] = df["a"] + df["b"] # new column
df.drop(columns=["b"], inplace=True)
print(df)Allineamento delle Series
Quando si combinano più Series, Pandas le allinea in base all'indice. Le corrispondenze mancanti producono NaN.
import pandas as pd
s1 = pd.Series([1,2,3], index=["a","b","c"])
s2 = pd.Series([10,20], index=["b","c"])
print(s1 + s2)
# a NaN
# b 12.0
# c 23.0to_dict e to_list
Converta un DataFrame o una Series nuovamente in strutture Python standard per esportarle o esaminarle.
import pandas as pd
df = pd.DataFrame({"x":[1,2],"y":[3,4]})
print(df.to_dict("records"))
# [{'x': 1, 'y': 3}, {'x': 2, 'y': 4}]
print(df["x"].to_list())
# [1, 2]Lettura dei file
Pandas legge direttamente file CSV, Excel, JSON, Parquet e SQL nei DataFrame.
import pandas as pd
df_csv = pd.read_csv("data.csv")
df_excel = pd.read_excel("data.xlsx", sheet_name="Sheet1")
df_json = pd.read_json("data.json")
df_parq = pd.read_parquet("data.parquet")
# pd.read_sql("SELECT * FROM table", conn)Scrittura dei file
Esporti i DataFrame in formato CSV, Excel, JSON e Parquet.
import pandas as pd
df = pd.DataFrame({"a":[1,2],"b":[3,4]})
df.to_csv("out.csv", index=False)
df.to_json("out.json", orient="records")
df.to_parquet("out.parquet")Verifica rapida
Che cosa restituisce df.describe()?
Riepilogo
Una Series è un array monodimensionale con etichette; un DataFrame è una tabella bidimensionale con etichette. Acceda alle colonne con df["col"]. Utilizzi head(), describe(), info() per una rapida ispezione. Legga e scriva file CSV, Excel, JSON e Parquet con le funzioni integrate.
Domande Frequenti
La lezione «Fondamenti di Series e DataFrame» è gratuita?
Sì — il testo completo di «Fondamenti di Series e DataFrame» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Python Academy, passa a CoddyKit PRO. Il corso Python Academy include 4 lezioni in totale.
Cosa imparerò in «Fondamenti di Series e DataFrame»?
Crei ed esamini strutture dati Pandas da varie origini. Eserciti Python Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Python Academy?
Non è richiesta alcuna esperienza precedente. Python Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Fondamenti di Series e DataFrame»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Python Academy?
Sì. Ogni lezione Python Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Fondamenti di Series e DataFrame
- Indicizzazione, filtraggio e maschere booleane
- GroupBy, aggregazione e tabelle pivot
- Unione, join e pulizia dei dati