บทนำสู่แพนด้า

แพนด้าเป็นไลบรารีไพธอนที่มีประสิทธิภาพสำหรับการวิเคราะห์และจัดการข้อมูล โดยมีโครงสร้างข้อมูล เช่น DataFrame และอนุกรมข้อมูล ซึ่งช่วยให้ทำความสะอาด แปลงรูปแบบ และวิเคราะห์ข้อมูลได้ง่าย

ในบทเรียนนี้ คุณจะได้เรียนรู้พื้นฐานของแพนด้าและวิธีใช้แพนด้าสำหรับการวิเคราะห์ข้อมูล

การติดตั้งแพนด้า

หากต้องการติดตั้งแพนด้า ให้ใช้คำสั่งต่อไปนี้ในเทอร์มินัล:

pip install pandas

เมื่อติดตั้งแล้ว คุณสามารถนำเข้าแพนด้าในสคริปต์ไพธอนของคุณได้:

# Importing pandas
import pandas as pd

print("Pandas imported successfully")

DataFrame คืออะไร

DataFrame คือโครงสร้างข้อมูลแบบตารางสองมิติในแพนด้า ซึ่งมีลักษณะคล้ายสเปรดชีตหรือตาราง SQL

คุณสามารถสร้าง DataFrame จากพจนานุกรม รายการ หรือไฟล์ภายนอกได้:

# 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)

การอ่านข้อมูลจากไฟล์

แพนด้าช่วยให้อ่านข้อมูลจากไฟล์ภายนอกได้ง่าย เช่น ไฟล์ CSV, เอ็กเซล และเจสัน:

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

การตรวจสอบ DataFrame

คุณสามารถตรวจสอบโครงสร้างและเนื้อหาของ DataFrame ได้โดยใช้เมธอด เช่น head(), info() และ describe():

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

การกรองและเลือกข้อมูล

แพนด้าช่วยให้คุณกรองแถวและเลือกคอลัมน์ได้ง่ายโดยใช้เงื่อนไขและการทำดัชนี:

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

การทำความสะอาดข้อมูล

แพนด้ามีเมธอดสำหรับทำความสะอาดข้อมูล เช่น การจัดการค่าที่หายไป การเปลี่ยนชื่อคอลัมน์ และการลบข้อมูลซ้ำ:

# 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)

การคำนวณค่ารวม

แพนด้าช่วยให้คุณคำนวณค่ารวมได้ เช่น การหาผลรวม การหาค่าเฉลี่ย และการจัดกลุ่มข้อมูล:

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

ข้อผิดพลาดทั่วไปในการใช้แพนด้า

ต่อไปนี้คือข้อผิดพลาดที่ควรหลีกเลี่ยง:

• จัดการค่าที่หายไปไม่ถูกต้อง
• ใช้ลูปที่ไม่มีประสิทธิภาพแทนการดำเนินการแบบเวกเตอร์
• ลืมระบุ inplace=True สำหรับการดำเนินการที่แก้ไขข้อมูล

เราได้เรียนรู้อะไรบ้าง

ในบทเรียนนี้ คุณได้เรียนรู้:

• วิธีติดตั้งและนำเข้าแพนด้า
• โครงสร้างของ DataFrame และวิธีสร้าง DataFrame
• วิธีอ่าน ทำความสะอาด กรอง และคำนวณค่ารวมของข้อมูลโดยใช้แพนด้า

ทำได้ดีมาก! ไปต่อยังหัวข้อถัดไปกันเลย