Публикации по теме 'pandas'
Выборка данных с использованием Pandas! Руководство для начинающих!
Выборка данных с использованием Pandas! Руководство для начинающих!
Вы можете использовать Pandas для случайной выборки наборов данных.
Метод выборки в Pandas — это удобный способ случайного выбора строк или выборок из объекта DataFrame или Series. По умолчанию метод возвращает случайную выборку того же размера, что и исходные данные, но вы можете указать другой размер выборки, передав параметр n.
Основы панд — 2
В этом посте мы рассмотрим еще несколько функций Pandas.
info(): возвращает сводную информацию о DataFrame, включая размер и типы данных каждого столбца, а также количество ненулевых значений.
Функции info() и describe() кажутся похожими. Но они отличаются, потому что функция info() возвращает информацию о столбцах, а функция describe() генерирует статистическую сводку для числовых столбцов фрейма данных.
Например:
import pandas as pd
data = {'Name': ['Alice', 'Bob',..
Запускаем машинное обучение с Python!
Машинное обучение — не новое слово в этом мире, но оно очень популярно. Итак, почему он так популярен? Один из ответов заключается в том, что алгоритм машинного обучения может делать прогнозы и принимать решения самостоятельно.
Эта статья даст вам общее представление о том, как вы можете написать собственный код ML, используя Python и его модули.
Мы собираемся использовать образец музыкального набора данных и сделать некоторые прогнозы. Большое спасибо программированию с Mosh...
Четыре функции для повышения уровня ваших навыков Pandas
Назначить, сопоставить, запросить и разнести; самые горячие методы в городе
Введение
Независимо от того, являетесь ли вы специалистом по данным, инженером данных, аналитиком данных или экспертом по машинному обучению, вам придется работать с табличными данными. Если вы пользователь Python, для работы с табличными данными вам подойдет библиотека Pandas 🐼. Из-за того, что табличные данные вездесущи, Pandas, вероятно, является одной из наиболее часто используемых библиотек среди..
Космический корабль Титаник: альтернатива обычному набору данных Plain Old Titanic
Изучите новый набор данных Kaggle с Pandas и Seaborn
Это 2912 год, и космический корабль Титаник, межзвездный пассажирский лайнер, находится в своем первом полете с почти 13 000 пассажиров на борту. Космический корабль «Титаник» перевозит эмигрантов из нашей Солнечной системы на три новые обитаемые экзопланеты, когда сталкивается с…
Imersão де Dados 03 Alura!
Мгновенно делитесь кодом, заметками и фрагментами.
Проект биогенетики
Вы не можете выполнить это действие в данный момент.
Вы вошли в другую вкладку или окно. Вы вышли на другой вкладке или в другом окне. Перезагрузить , чтобы обновить сеанс. Перезагрузить , чтобы обновить сеанс.
Первоначально опубликовано на https://github.com .
Почему Pandas itertuples () быстрее, чем iterrows (), и как сделать это еще быстрее
Вступление
В этой статье я объясню, почему itertuples() функция pandas работает быстрее, чем iterrows() . Что еще более важно, я поделюсь инструментами и методами, которые я использовал для обнаружения источника узкого места в iterrows() . К концу этой статьи вы будете оснащены основными инструментами для профилирования и оптимизации вашего кода Python.
Код для воспроизведения результатов, описанных в этой статье, доступен здесь . Я предполагаю, что у читателя есть приличный..
Новые материалы
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..