In diesem Modul werden wir uns mit der Filterung von Daten in DataFrames beschäftigen. Sie werden mit dem Datensatz vertraut gemacht und lernen Techniken zur Optimierung des Speichers kennen. Wir werden das Filtern von Zeilen auf der Basis von Bedingungen und die Verwendung logischer Operatoren wie AND (&) und OR (|) behandeln. Erweiterte Filtermethoden wie isin, isnull und notnull werden erforscht. Außerdem lernen Sie, Daten innerhalb eines Bereichs mit der between-Methode zu filtern, Duplikate mit duplicated und drop_duplicates zu identifizieren und zu behandeln sowie eindeutige Werte mit unique und nunique zu finden und zu zählen.

In diesem Modul werden wir wesentliche Datenextraktionstechniken in Pandas erkunden. Sie beginnen mit einer Einführung in das Dataset und lernen, wie man Indizes mit den Methoden set_index und reset_index setzt und zurücksetzt. Wir werden das Abrufen von Zeilen nach Indexpositionen mit iloc und nach Labels mit loc behandeln und die zweiten Argumente für eine präzise Datenabfrage verstehen. Sie werden lernen, einzelne und mehrere Werte zu überschreiben, Indexbezeichnungen oder Spalten umzubenennen und Zeilen oder Spalten zu löschen. Fortgeschrittene Extraktionstechniken wie die Stichprobe mit der sample-Methode, die Extraktion bestimmter Zeilen mit nsmallest und nlargest, die bedingte Filterung mit where und die Ausführung von Funktionen über DataFrame-Zeilen oder -Spalten mit apply werden ebenfalls behandelt.

In diesem Modul werden wir uns auf die Arbeit mit Textdaten in Pandas konzentrieren. Sie beginnen mit einer Einführung in den Datensatz und lernen, gängige Zeichenfolgen-Methoden für die Textdatenmanipulation zu verwenden. Wir werden das Filtern von DataFrame-Zeilen mit Zeichenfolgen-Methoden und die Anwendung dieser Methoden auf DataFrame-Indizes und -Spalten behandeln. Sie werden die Split-Methode beherrschen, um Textdaten in mehrere Teile aufzuteilen, und Ihre Fähigkeiten mit zusätzlichen praktischen Übungen erweitern. Schließlich werden Sie lernen, die Textaufteilung mit den Parametern expand und n der Split-Methode für eine detailliertere Analyse anzupassen.

In diesem Modul werden wir die fortgeschrittenen Fähigkeiten von MultiIndex in Pandas erkunden, beginnend mit einer Einführung in seine Konzepte. Sie werden lernen, MultiIndex DataFrames für komplexe Datengruppierungen und -analysen zu erstellen und zu verwalten. Sie lernen Techniken zum Extrahieren und Umbenennen von Werten auf Indexebene kennen und erfahren, wie Sie bestimmte Zeilen zur besseren Datenorganisation sortieren und extrahieren können. Darüber hinaus beherrschen Sie Methoden wie Transponieren, Stapeln und Entstapeln, um DataFrames umzugestalten, und wenden Pivot-, Melt- und Pivot_table-Methoden an, um Daten effizient zu reorganisieren und zu transformieren.

In diesem Modul werden wir uns mit der GroupBy-Funktionalität in Pandas beschäftigen, beginnend mit einer Einführung in die wesentlichen Konzepte zur Datenaggregation. Sie werden lernen, die GroupBy-Methode zu verwenden, um Daten zu gruppieren und bestimmte Gruppen mit der get_group-Methode abzurufen. Sie lernen verschiedene Aggregationsmethoden kennen, die für GroupBy-Objekte zur Verfügung stehen, und erfahren, wie Sie Daten nach mehreren Spalten gruppieren können. Darüber hinaus werden Sie die agg-Methode beherrschen, um mehrere Operationen auf gruppierte Daten anzuwenden, und lernen, wie man durch Gruppen iteriert, um einzelne Daten zu verarbeiten.

In diesem Modul werden wir wesentliche Techniken zum Zusammenführen von DataFrames in Pandas untersuchen. Sie beginnen mit einer Einführung in verschiedene Zusammenführungsmethoden, gefolgt von einem detaillierten Blick auf die Verwendung der Funktion pd.concat zum Verknüpfen von DataFrames entlang einer bestimmten Achse. Wir behandeln Left Joins und die Verwendung von left_on und right_on Parametern für den spezifischen Spaltenabgleich sowie Inner Joins zur Kombination von DataFrames auf der Basis sich überschneidender Schlüssel. Außerdem werden Sie lernen, wie man mit Full-Outer-Joins DataFrames zusammenführt, die alle Schlüssel aus beiden Frames enthalten, und wie man mit den Parametern left_index und right_index nach Indizes zusammenführt. Schließlich werden Sie die Join-Methode als einfachere Alternative für die Zusammenführung von DataFrames kennenlernen.