Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
La capacité à travailler efficacement avec de grands jeux de données et à en extraire des informations utiles est un atout indispensable pour tout data scientist. Avec peu de données, on ne se rend pas toujours compte à quel point l’exécution du code peut être lente. Ce cours s’appuie sur vos connaissances de Python et de la bibliothèque pandas, et vous présente des fonctions intégrées efficaces pour réaliser vos tâches plus rapidement. Les fonctions intégrées de pandas permettent d’accélérer aussi bien les opérations simples, comme cibler des entrées et des variables spécifiques, que les plus complexes, comme appliquer des fonctions à des groupes d’entrées, bien plus vite que les méthodes Python habituelles. À la fin du cours, vous saurez appliquer une fonction à des données selon la valeur d’une variable, itérer rapidement sur de grands jeux de données et manipuler efficacement des données appartenant à différents groupes. Vous mettrez ces méthodes en pratique sur divers jeux de données réels, comme des mains de poker ou des pourboires au restaurant.
Prérequis
Programme de formation
Plan du cours
1
Sélectionner efficacement colonnes et lignes
Ce chapitre vous explique pourquoi l’efficacité du code est importante et comment sélectionner efficacement des lignes et colonnes spécifiques ou aléatoires.
- Le besoin d’un code efficace I50 XP
- Que mesure time.time() ?50 XP
- Mesurer le temps I100 XP
- Mesurer le temps II100 XP
- Repérer des lignes : .iloc[] et .loc[]50 XP
- Sélection de lignes : loc[] vs iloc[]100 XP
- Sélection de colonnes : .iloc[] vs par nom100 XP
- Sélectionner des lignes aléatoires50 XP
- Sélection aléatoire de lignes100 XP
- Sélection aléatoire de colonnes100 XP
2
Remplacer des valeurs dans un DataFrame
Ce chapitre montre comment utiliser la fonction replace() pour remplacer une ou plusieurs valeurs à l’aide de listes et de dictionnaires.
3
Itérations efficaces
Ce chapitre présente différentes façons d’itérer sur un DataFrame pandas et explique pourquoi la vectorisation est la méthode la plus efficace.
4
Manipulation de données avec .groupby()
Ce chapitre décrit la fonction groupby() et montre comment l’utiliser pour transformer des valeurs sur place, remplacer des valeurs manquantes et appliquer des fonctions complexes par groupe.
Écrire du code efficace avec pandas
Cours
terminé
