Podstawy Series i DataFrame
Proszę tworzyć i analizować struktury danych Pandas z różnych źródeł.
Podstawy Series i DataFrame to bezpłatna lekcja Python Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python Academy zawiera 4 lekcji w sumie.
Czym jest Pandas?
Pandas udostępnia obiekty Series (jednowymiarowa tablica z etykietami) i DataFrame (dwuwymiarowa tabela z etykietami), zbudowane na NumPy i zoptymalizowane pod kątem analizy danych.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Tworzenie obiektu Series
Obiekt Series można utworzyć z listy, słownika lub skalara. Domyślny indeks składa się z liczb całkowitych liczonych od zera.
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 5Tworzenie obiektu DataFrame
Obiekt DataFrame można utworzyć ze słownika list, listy słowników lub tablicy 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)Podstawowe sprawdzanie
head(), tail(), shape, dtypes, info(), describe() — to pierwsze kroki pracy z każdym nowym zbiorem danych.
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...Dostęp do kolumn
Do kolumny można uzyskać dostęp za pomocą notacji kropkowej lub nawiasów kwadratowych. Notacja kropkowa nie działa w przypadku nazw kolumn zawierających spacje lub kolidujących z atrybutami obiektu 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 columnsPodstawy indeksu
Indeks oznacza wiersze. Domyślnie przyjmuje wartości 0, 1, 2... ale można ustawić dowolne wartości haszowalne.
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)Dodawanie i usuwanie kolumn
Aby dodać kolumnę, należy przypisać wartość do nowego klucza. Do usuwania kolumn służy drop().
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)Wyrównywanie Series
Podczas łączenia obiektów Series biblioteka Pandas wyrównuje je według indeksu. Brakujące dopasowania dają wartość 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 i to_list
DataFrame lub Series można z powrotem przekonwertować na standardowe struktury Pythona, aby je wyeksportować lub sprawdzić.
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]Odczytywanie plików
Pandas odczytuje pliki CSV, Excel, JSON, Parquet i SQL bezpośrednio do obiektów 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)Zapisywanie plików
Obiekty DataFrame można eksportować do formatów CSV, Excel, JSON i 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")Szybkie sprawdzenie
Co zwraca df.describe()?
Podsumowanie
Series to jednowymiarowa tablica z etykietami, a DataFrame to dwuwymiarowa tabela z etykietami. Do uzyskiwania dostępu do kolumn służy df["col"]. Do szybkiego sprawdzania danych służą head(), describe() i info(). Wbudowane funkcje umożliwiają odczyt i zapis plików CSV, Excel, JSON i Parquet.
Często zadawane pytania
Czy lekcja „Podstawy Series i DataFrame” jest bezpłatna?
Tak — pełny tekst „Podstawy Series i DataFrame” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python Academy, przejdź na CoddyKit PRO. Kurs Python Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Podstawy Series i DataFrame”?
Proszę tworzyć i analizować struktury danych Pandas z różnych źródeł. Ćwiczysz Python Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Python Academy?
Nie wymagamy żadnego doświadczenia. Python Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Podstawy Series i DataFrame”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Python Academy?
Tak. Każda lekcja Python Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Podstawy Series i DataFrame
- Indeksowanie, filtrowanie i maski logiczne
- GroupBy, agregacja i tabele przestawne
- Scalanie, łączenie i czyszczenie danych