Pandas برای ماشین لرنینگ

Pandas چیست؟

Pandas قدرتمندترین کتابخانه پردازش داده در پایتون است. شیء اصلی آن DataFrame است؛ جدولی شبیه اکسل با سطر و ستون که داده‌های ML عمدتاً با آن کار می‌کنند.

ساخت DataFrame

import pandas as pd

data = {
    "نام": ["علی", "سارا", "رضا"],
    "سن": [25, 30, 22],
    "شهر": ["تهران", "اصفهان", "شیراز"],
}
df = pd.DataFrame(data)
print(df)

خواندن داده از فایل

رایج‌ترین فرمت داده، CSV است:

df = pd.read_csv("houses.csv")

بررسی اولیه داده

اولین قدم در هر پروژه ML، شناخت داده است:

df.head()     # ۵ سطر اول
df.tail()     # ۵ سطر آخر
df.shape      # (تعداد سطر, تعداد ستون)
df.info()     # نوع ستون‌ها و مقادیر گمشده
df.describe() # آمار توصیفی (میانگین، کمینه، بیشینه...)

انتخاب داده

df["سن"]              # یک ستون (Series)
df[["نام", "سن"]]     # چند ستون
df.loc[0]             # سطر با برچسب ۰
df.iloc[0:2]          # دو سطر اول (موقعیت)

فیلتر کردن (شرط)

# افراد بالای ۲۴ سال
df[df["سن"] > 24]

# ترکیب شرط‌ها
df[(df["سن"] > 24) & (df["شهر"] == "تهران")]

افزودن و حذف ستون

df["سال تولد"] = 1404 - df["سن"]   # افزودن
df = df.drop("شهر", axis=1)         # حذف ستون
df = df.drop(0, axis=0)             # حذف سطر

مقادیر گمشده

df.isnull().sum()              # شمارش گمشده‌ها در هر ستون
df = df.dropna()               # حذف سطرهای دارای گمشده
df["سن"] = df["سن"].fillna(25) # پر کردن با مقدار

جمع‌بندی

• DataFrame جدول داده پانداس است و شبیه اکسل کار می‌کند
• head، info و describe ابزارهای شناخت داده هستند
• انتخاب، فیلتر و مدیریت مقادیر گمشده مهارت‌های کلیدی ML هستند