Series

NumPy Array

Dictionary

List

Not a Number

Not an Array

New and Notable

Numerical Axis Name

pd.read_csv('file.csv')

pd.read_table()

pd.import_csv()

pd.load_data('file.csv')

Названия колонок

Метки индекса (строк)

Типы данных столбцов

Значения в первой строке

df.shape

df.size

df.ndim

df.axes

len(df)

df.count()

df.rows()

df.shape[0]

df.dtypes

df.types

df.info()

df.get_dtypes()

df_exams.math score

df_exams['math score']

df_exams[['math score']]

Все варианты корректны.

Series

DataFrame

Python List

NumPy Array

df[['col1', 'col2']]

df[['col1' 'col2']]

df('col1', 'col2')

df['col1', 'col2']

df.tail(10)

df.end(10)

df.final(10)

df.last(10)

df.describe()

df.stats()

df.info()

df.summarize()

Медиана (Median)

Среднее арифметическое (Mean)

Стандартное отклонение (Standard Deviation)

Минимум (Min)

(df['math score'] + df['reading score'] + df['writing score']) / 3

df[['math score', 'reading score', 'writing score']].mean(axis=1)

df.sum(axis=1) / 3

df.mean(columns=['math score', 'reading score', 'writing score'])

Общая сумма всех значений в столбце

Количество непустых значений

Среднее значение

Максимальное значение

df.sort_values()

df.order_by()

df.sort_index()

df.arrange()

df.sort_values('math score', ascending=False)

df.sort_values('math score', order='desc')

df.sort('math score', direction='down')

df.sort_values(by='math score', descending=True)

key

func

transform

mapper

df.set_index()

df.reset_index()

df.index_by()

df.change_index()

NaT

NaD

None

Null

df.value_counts()

df.unique_counts()

df.freq()

df.count_values()

dropna=False

include_nan

skip_nulls

include_missing

normalize=True

proportions=True

as_percentage=True

relative=True

Очистка, унификация структуры и подготовка данных перед векторизацией

Увеличение размера датасета

Построение графика распределения классов

Оценка качества работы модели

TF-IDF

Principal Component Analysis (PCA)

One-Hot Encoding

K-Means Clustering

F1

Accuracy

Precision

Entropy

Counter

NumPy array

Pandas Series

Matplotlib

Тексты сильно похожи

Тексты сильно различаются

Тексты имеют одинаковую длину

Векторы ортогональны

Logistic Regression

K-Nearest Neighbors (KNN)

Decision Tree

Random Forest

Сравнение векторов пользовательского запроса с векторами документов

Разделение данных на обучающую и тестовую выборки

Построение облака слов

Обучение модели нейронной сети

Частоту значимых слов

Длину текста

Расстояние между словами

Средний балл по документу

classification_report

pd.DataFrame.describe()

np.array.sum()

df.value_counts()

Векторное пространство

Временное пространство

Двумерное пространство

Категориальное пространство

Нормализация

Векторизация

Обучение модели

Оценка качества

Статистический анализ длины текстов

Построение поисковой системы

Обучение модели Naive Bayes

Расчет Cosine Similarity

pd.read_csv()

pd.read_url()

pd.import_csv()

pd.load_data()

Процесс автоматического сбора данных с веб-страниц

Ручной ввод данных с веб-страниц

Сохранение веб-страниц в формате PDF

Анализ данных на локальном компьютере

Переименование колонок

Замена пропущенных значений (NaN)

Удаление строк

Нормализация числовых столбцов

pd.concat(frames)

df.merge()

df.join()

pd.combine(frames)

Убедиться, что сайт разрешает скрапинг, и избегать частых запросов

Использовать только Python 3

Всегда использовать try-except

Сначала сохранять данные в формат JSON

try/except

if/else

for loop

while loop

Для вставки новой колонки (например, 'season') в определенную позицию

Для удаления лишнего столбца

Для переименования столбца

Для объединения двух столбцов

Для хранения объединённого DataFrame за все сезоны, где ключ — название лиги

Для хранения имен файлов CSV

Для хранения списка URL-адресов

Для хранения названий команд

'1516'

'2015/2016'

'15'

'2015'

df.to_csv('filename.csv')

df.save_csv('filename.csv')

df.write_csv('filename.csv')

pd.output_csv(df)

'FTHG'

'date'

'home_team'

'Div'

Вставка новой колонки 'season'

Использование try-except

Использование df.read_csv()

Использование цикла for league in leagues

Двумерная структура данных (таблица)

Одномерный массив (Series)

Коллекция словарей Python

Хранилище числовых массивов NumPy

Доступ по меткам (именам строк/столбцов)

Доступ по позиции (целым числам)

Доступ по срезу (диапазону)

Доступ по булевым условиям

Доступ по позиции (целым числам)

Доступ по меткам (именам строк/столбцов)

Доступ по булевым условиям

Доступ с помощью SQL-подобных выражений

Для изменения DataFrame на месте, без создания копии

Для создания копии DataFrame

Для переименования столбца

Для игнорирования пропущенных значений (NaN)

Чтобы избежать нежелательных изменений в оригинале (SettingWithCopyWarning)

Для ускорения обработки данных

Для автоматического переименования столбцов

Для преобразования типов данных

&

 |

 !

~

|

&

!

~

Оба, start и stop

Только start

Ни start, ни stop

Только stop

df.loc['L. Messi', 'height_cm']

df.iloc['L. Messi', 'height_cm']

df.loc['L. Messi', 3]

df.iloc[0, 'height_cm']

df.loc[:, 'height_cm']

df.loc['height_cm']

df.iloc[:, 'height_cm']

df.loc[all, 'height_cm']

df.loc[['L. Messi', 'Cristiano Ronaldo'], ['height_cm', 'weight_kg']]

df.loc[['L. Messi', 'Cristiano Ronaldo'], 'height_cm':'weight_kg']

df.iloc[[0, 1], [3, 4]]

df.loc['L. Messi':'Cristiano Ronaldo', ['height_cm', 'weight_kg']]

df.iloc[0, 3]

df.iloc['L. Messi', 3]

df.loc[0, 3]

df.iloc[0, 'height_cm']

stop

start

Ни один из них

Оба, start и stop

df.iloc[0:10, 1:5]

df.iloc[0:10, 1:4]

df.loc[0:10, 1:4]

df.iloc[1:11, 1:5]

Как список булевых значений с помощью list()

Как строковое выражение

Как NumPy array

.iloc[] не поддерживает фильтрацию по условиям

.iloc[]

.loc[]

.query()

.apply()

df.loc['L. Messi', 'height_cm'] = 175

df.iloc['L. Messi', 'height_cm'] = 175

df['L. Messi']['height_cm'] = 175

df.set_value('L. Messi', 'height_cm', 175)

df.loc[:, 'height_cm'] = 190

df['height_cm'].loc[:] = 190

df.iloc[:]['height_cm'] = 190

df['height_cm'].apply(lambda x: 190)

df.iloc[-1, :] = np.nan

df.loc[-1, :] = np.nan

df.iloc[len(df)-1, :] = np.nan

df.iloc[last, :] = np.nan

df.loc[df['height_cm']>180, ['age', 'dob', 'height_cm', 'weight_kg']] = 0

df.iloc[df['height_cm']>180, [1, 2, 3, 4]] = 0

df['height_cm'].query('height_cm>180') = 0

df.apply(lambda row: 0 if row['height_cm']>180 else row)

df.drop()

df.delete()

df.remove()

df.clear()

axis=1

axis=0

axis='rows'

axis='index'

df.query()

df.filter_by()

df.where()

df.select()

df.query("age>34 and nationality=='Italy'")

df.query("age>34 | nationality=='Italy'")

df.query("age, nationality > 34, 'Italy'")

df.query("age==34 & nationality=='Italy'")

df.sample(frac=0.2)

df.sample(n=0.2)

df.sample(perc=0.2)

df.sample(ratio=0.2)

random_state

seed

replace=True

n

df.sample(frac=2, replace=True)

df.sample(frac=2, replace=False)

df.sample(frac=2)

df.sample(n=36556)

df.apply()

df.map()

df.transform()

df.pipe()

Анонимные (безымянные) функции для простых операций

Функции, определенные внутри класса

Функции, определенные для работы только с NumPy

Функции, возвращающие только булевы значения

axis=1

axis=0

axis='columns'

axis=None

df['height_cm'].apply(lambda x: x / 100)

df['height_cm'].apply(lambda x: x * 100)

df.apply(lambda row: row['height_cm']/100)

df['height_cm'].str.replace('cm', 'm')

df.isin()

df.query()

df.where()

df.contains()

&

 |

OR

NOT

|

&

NOT

AND

np.where()

np.select()

df.apply()

df.conditional()

np.select()

np.where()

df.apply(lambda)

df.map()

np.select() позволяет задать несколько условий в порядке их приоритета

np.where() позволяет задавать более двух условий.

np.select() подходит для двух вариантов, np.where() — для множества.

np.where() работает только со строками.

df.duplicated()

df.unique()

df.drop()

df.has_duplicates()

Помечает все дубликаты как True, кроме первого вхождения

Помечает первое вхождение дубликата как True.

Помечает все дубликаты как True, включая первое и последнее вхождение.

Помечает все дубликаты как True, кроме последнего вхождения.

Помечает все дубликаты как True, кроме последнего вхождения

Помечает все дубликаты как True, включая первое и последнее вхождение.

Помечает только последнее вхождение как True.

Удаляет дубликаты.

Помечает все дубликаты как True, включая первое и последнее вхождение

Удаляет все дубликаты.

Помечает все дубликаты как False.

Сохраняет только первое вхождение.

df.drop_duplicates()

df.drop()

df.duplicated()

df.remove_duplicates()

Строки, соответствующие самым дешёвым ноутбукам (если данные отсортированы по цене по возрастанию)

Все строки, кроме первого вхождения каждой компании.

Только строки, где компания не повторяется.

Строки, соответствующие самым дорогим ноутбукам.

df.unique()

df.nunique()

df.count()

df.value_counts()

df.nunique()

df.unique_count()

df.count_unique()

df.distinct()

ignore_index=True

reset_index=True

reindex=True

replicate=False

Сортировка по ['Company', 'Inches'] (по возрастанию)

Сортировка по ['Company', 'Price_euros']

Сортировка по ['Inches', 'Company']

Сортировка по ['Company', 'Inches'] (по убыванию)

keep='last'

keep='first'

keep=False

keep=True

Перестроение DataFrame, преобразовывая строки в столбцы без агрегации

Применение агрегатных функций (sum, mean) к данным.

Фильтрация данных по нескольким условиям.

Создание случайной выборки данных.

Он требует, чтобы комбинации индекса и столбцов были уникальными

Он не может работать с числовыми данными.

Он не может работать с индексами.

Он не может перестраивать DataFrame.

df.pivot_table()

df.pivot()

df.groupby()

df.aggregate()

mean()

sum()

count()

max()

'sum'

'mean'

'count'

'max'

pivot_table() агрегирует данные, что делает его полезным для суммирования или усреднения

pivot() более мощный и быстрый.

pivot_table() не требует указания индекса.

pivot() может работать с нечистыми данными.

sum()

print()

apply()

lambda

Split-Apply-Combine (Разделить-Применить-Объединить)

Filter-Select-Visualize

Sort-Filter-Sum

Load-Clean-Analyze

GroupBy object

DataFrame

Series

Dictionary

Будет возвращен промежуточный объект GroupBy, который ничего не вычисляет

Будет возвращена ошибка.

Будет возвращен отсортированный DataFrame.

Будет возвращена медиана для каждой группы.

df.agg()

df.pivot_table()

df.mean()

df.sum()

Словарь (Dictionary)

Список строк (List)

Кортеж (Tuple)

Строка (String)

Использование кортежей ('sum_sales', 'sum')

Нельзя переименовывать столбцы в agg().

Параметр rename=...

С помощью lambda функции.

df.groupby().apply(lambda x: ...)

df.groupby().map()

df.groupby().filter()

df.groupby().transform()

NaN игнорируются по умолчанию

fillna=0

dropna=False

include_nan=True

groupby_obj.get_group('Ford')

groupby_obj['Ford']

groupby_obj.groups.get('Ford')

groupby_obj.filter('Ford')

Для фильтрации целых групп на основе условия, примененного к группе целиком

Для фильтрации отдельных строк в группах.

Для удаления дубликатов.

Для выбора подмножества столбцов.

Булево значение для каждой группы

Числовое значение

Строка

Новый DataFrame

Линейный график (Lineplot)

Круговая диаграмма (Piechart)

Столбчатый график (Barplot)

Диаграмма размаха (Boxplot)

Круговая диаграмма (Piechart)

Линейный график

Диаграмма размаха

Гистограмма

Диаграмма размаха (Boxplot)

Диаграмма рассеивания (ScatterPlot)

Гистограмма

Группированный столбчатый график

Диаграмма рассеивания (ScatterPlot)

Гистограмма

Круговая диаграмма

Столбчатый график

plt.savefig('my_test.png')

df.to_image('my_test.png')

plt.show()

df.export_plot('my_test.png')

Plotly

Matplotlib

Seaborn

NumPy

&

AND

 |

 !

Каждое условие должно быть заключено в скобки

Должны использоваться только строковые столбцы.

Должны использоваться только числовые столбцы.

Должен быть применен метод .query().

np.where()

np.select()

np.if_else()

np.transform()

np.select()

df.pivot_table()

df.query()

np.where()

df.isin()

df.query('Company in ["Apple", "HP"]')

df.loc[]

df.contains()

df_laptops[df_laptops['Company'] != 'HP']

df_laptops['Company'] ! 'HP'

df_laptops['Company'] <> 'HP'

df_laptops[df_laptops['Company'].not_equal('HP')]

Помечает все дубликаты как True, включая первое и последнее вхождение

Помечает только последнее вхождение как True.

Удаляет все дубликаты.

Помечает все дубликаты как False.

df.drop_duplicates(['Company'], keep='first')

df.drop_duplicates(['Company'], keep='last')

df.duplicated(['Company'], keep='first')

df.drop_duplicates(keep=False)

df.unique()

df.nunique()

df.value_counts()

len(df)

df.nunique()

df.distinct()

df.value_counts()

df.agg('count')

df.loc[]

df.iloc[]

df.query()

df.at[]

df.iloc[]

df.loc[]

df.query()

df.iat[]

df.iloc[1, 3]

df.loc[1, 3]

df.loc[2, 4]

df.iloc[2, 4]

df.loc['L. Messi', :]

df.loc['L. Messi']

df.iloc[0, : ]

df.loc[:, 'L. Messi']

pd.concat(..., axis=0)

pd.merge()

df1.join(df2)

pd.concat(..., axis=1)

axis=1

how='outer'

ignore_index=True

on='key'

pd.merge()

pd.concat()

pd.join()

pd.aggregate()

'inner'

'outer'

'left'

'right'

df1.merge(df2, how='outer', indicator=True).query("_merge == 'left_only'")

df1.merge(df2, how='left')

df1.merge(df2, how='inner')

df1.merge(df2, how='right', indicator=True).query("_merge == 'right_only'")

pivot_table() может обрабатывать дубликаты, применяя агрегирующую функцию

pivot() выполняет агрегацию, а pivot_table() — нет.

pivot() может работать только со строками, а pivot_table() — со столбцами.

pivot_table() всегда возвращает сумму значений.

Split-Apply-Combine

Sort-Filter-Combine

Load-Clean-Analyze

Pivot-Merge-Aggregate

df.groupby().apply()

df.agg()

df.transform()

df.map()

Для фильтрации групп, где агрегированный результат (например, сумма) превышает порог

Для удаления строк с NaN в группах.

Для выбора столбцов после группировки.

Для переименования столбцов результата.

Выявление пропущенных данных (df.isnull().sum()) (правильный ответ).

Удаление всех строк с NaN.

Приведение текста к нижнему регистру.

Построение гистограммы.

Заполнение модой (самым частым значением)

Заполнение средним значением.

Заполнение медианой.

Удаление всего столбца.

Диаграмма размаха (Boxplot)

Линейный график

Столбчатый график

Диаграмма рассеивания (ScatterPlot)

Предотвращение потери данных при объединении таблиц (merge) из-за различий в регистре.

Уменьшение размера файла.

Ускорение вычислений.

Улучшение работы алгоритмов машинного обучения.

df['col'].str.strip()

df['col'].str.replace(' ', '')

df['col'].str.lower()

df['col'].str.upper()

Выполнять простые анонимные (безымянные) операции в одной строке кода.

Выполнять только агрегацию.

Определять сложные функции с несколькими строками кода.

Автоматически удалять NaN.

df.query()

df.loc[]

df.filter()

df.where()

concat, merge

union, combine

together, plus

join, combine

конкатенация

умножения DataFrame друг на друга.

вычитания одного DataFrame из другого

Функция для случайного перемешивания строк в DataFrame

pd.concat([df1, df2], axis=0)

pd.merge(df1, df2, on="id", how="inner").

pd.concat_vertical(df1, df2)

pd.concat([df1, df2], axis=1)

pd.concat([df1, df2], axis=1)

pd.concat([df1, df2], axis=0)

pd.merge(df1, df2, on="id", how="inner").

pd.concat_vertical(df1, df2)

Одинаковые столбцы (одинаковая структура DataFrame).

Длина строк в двух DataFrame должна совпадать.

DataFrame должны быть отсортированы по возрастанию.

В обоих DataFrame не должно быть пропусков.

соединение по ключу как в SQL.

простое соединение.

соединение только слева.

поиск пресечения

inner, outer. left, right.

left, right

up, down.

outer, inner, up, down

Определяет тип объединения (inner, left, right, outer).

Указывает порядок сортировки строк после объединения.

Определяет направление конкатенации — вертикально или горизонтально

Объединяет DataFrame по индексам, игнорируя ключевые столбцы

Оставляет только строки, у которых есть совпадения в обеих таблицах..

Объединяет таблицы без учета ключей.

Оставляет только строки из левой таблицы.

Удаляет дубликаты после объединения.

Берёт все строки из левой таблицы и добавляет совпадающие из правой.

Берёт только строки, которые есть в обеих таблицах.

Возвращает только строки, отсутствующие в правой таблице.

Перемешивает строки случайным образом.

Берёт все строки из правой таблицы и добавляет совпадающие из левой.

Берёт только строки, уникальные в левой таблице..

Делает конкатенацию по строкам.

Сортирует таблицы по убыванию.

Объединяет все строки из обеих таблиц, заполняя пропуски, если соответствия нет.

Удаляет все строки, которые имеют совпадения.

Оставляет только строки из правой таблицы.

Выполняет математическую сумму двух DataFrame.

df1.merge(df2, on=’id’, how=’outer’,indicator=True).query(“_merge != ‘both’”)

df1 + df2

df1.merge(df2, on='id', how='inner')

df1.merge(df2, on='id', how='left').dropna()

df1.merge(df2, how=’left’,indicator=True).query(“merge = ‘left_only’”)

df1.merge(df2, how='inner')

df1.drop(df2)

df1.merge(df2, how='right', indicator=True).query("_merge == 'right_only'")

Добавляет столбец merge, показывающий, из какой таблицы пришла каждая строка (leftonly, right_only, both).

Выполняет объединение только по индексам.

Создаёт индексы заново после объединения.

Перемешивает строки двух таблиц для ускорения слияния.

когда есть общий столбец-ключ

Когда нужно просто добавить строки друг под другом

Когда нужно умножить два DataFrame друг на друга.

Когда нужно только сортировать строки по столбцу.

Функции, которые объединяют множество значений в одно (например, сумма, среднее, минимум, максимум).

Функции, которые перемешивают строки DataFrame.

Функции, которые сортируют столбцы по алфавиту.

Функции, которые создают новые столбцы на основе условия.

Объединение строк DataFrame по значениям одного или нескольких столбцов для последующего вычисления агрегатных функций

Процесс сортировки строк по алфавиту.

Удаление дубликатов в столбцах.

Создание новых строк на основе случайного выбора.

unique() возвращает массив всех уникальных значений столбца, а nunique() — их количество.

unique() считает все строки, а nunique() сортирует их.

unique() удаляет пропуски, а nunique() оставляет только нули.

unique() дублирует значения, а nunique() перемешивает их.

Позволяет применять одну или несколько агрегатных функций к одному или нескольким столбцам DataFrame.

Перемешивает строки DataFrame случайным образом.

Объединяет два DataFrame по ключевому столбцу.

Сортирует строки по алфавиту или по числовому значению.

К числовым столбцам DataFrame.

К строковым столбцам DataFrame.

К столбцам с уникальными значениями (nunique).

Только к столбцам с пропущенными значениями.

df.agg([‘mean’, ‘count’])

df.agg(‘mean’, ‘count’)

df.apply(['mean', 'sum'])

df.agg(['median', 'mode'])

df.agg({'столбец1': 'sum', 'столбец2': 'mean'})

df.aggregate('concat')

df.agg('столбец1': 'sum', 'столбец2': 'mean')

df.agg('max', 'min')

df.agg(x=(‘a’,’sum’),y=(‘b’,’sum’))

df.rename(index={'sum':'Сумма'})

df.agg({'a':'sum', 'b':'sum'})

df.agg('sum').rename_axis('Новый индекс')

делит данные на группы по ключу

Сортирует строки по алфавиту.

Удаляет пропущенные значения из DataFrame

Вычисляет агрегатные функции для каждого столбца

применяет функцию к каждой группе

Делит данные на группы по ключу.

Объединяет группы обратно в один DataFrame

Сортирует строки по алфавиту.

объединяет результаты в новый датафрейм

Делит данные на группы по ключу

Объединяет группы обратно в один DataFrame

Сортирует строки по алфавиту

позволяет вручную реализовать группировку

Сортирует DataFrame по алфавиту

Вычисляет только сумму всех значений без группировки

Объединяет два DataFrame без ключа

создает объект GroupBy  для дальнейшей группировки и агрегации данных

Сразу вычисляет агрегатные функции по столбцy

Объединяет два DataFrame по ключевому столбцу

Перемешивает строки DataFrame случайным образом

Словарь, где ключи — уникальные значения групп, а значения — индексы строк, относящихся к каждой группе

Список всех уникальных значений столбца без индексов.

DataFrame с уже агрегированными значениями.

Количество строк в каждой группе в виде числа, а не словаря.

Список всех уникальных значений, по которым были созданы группы

Все строки DataFrame, объединённые в один список

Индексы всех строк DataFrame

Количество строк в каждой группе

позволяет применить несколько функций к группам

Перемешивает строки внутри каждой группы

Делит DataFrame на группы без возможности агрегировать

Удаляет все пропущенные значения из групп

это анонимная функция, которая может применятся в apply() для кастомных операций

Функция, которая автоматически группирует данные.

Метод для объединения двух DataFrame.

Функция, которая сортирует строки DataFrame по алфавиту.

позволяет фильтровать группы на основе условия,примененного к группе целиком

Фильтрует отдельные строки без учёта групп.

Делит DataFrame на группы по ключу

Сортирует строки в каждой группе по алфавиту

тем что фильтрует целые группы, а не строки

Фильтрует только строки с пропущенными значениями.

Делит DataFrame на группы без фильтрации

Сортирует строки по алфавиту или числовым значениям.

это метод пандас, который позволяет перестраивать датафрейм преобразовывая строки в столбцы(и наоборот) без агрегации данных

Метод, который автоматически агрегирует данные при преобразовании.

Функция для фильтрации строк по условию

Функция для сортировки строк и столбцов по алфавиту

это более мощный метод, который позволяет не только перестраивать таблицу, но и применять агрегирующие функции

Метод, который только сортирует строки и столбцы по алфавиту

Функция для фильтрации строк без изменения структуры таблицы.

Метод, который создаёт случайные значения в DataFrame для тестирования.

Задаёт столбцы, значения которых будут использованы в качестве индекса (строк) новой таблицы.

Определяет, какие столбцы объединять с другими DataFrame.

Применяет агрегатные функции к данным.

Создаёт новый DataFrame с пропущенными значениями.

Задаёт столбцы, значения которых будут преобразованы в новые столбцы в сводной таблице.

Определяет, какие строки объединять с другими DataFrame.

Применяет агрегатные функции к данным.

Создаёт новый DataFrame с пропущенными значениями.

Указывает, какие данные будут агрегироваться и отображаться в ячейках сводной таблицы.

Определяет, какие строки объединять с другими DataFrame.

Определяет строки, которые станут индексом.

Создаёт новый DataFrame с пропущенными значениями.

Определяет агрегатную функцию для значений в ячейках сводной таблицы.

Определяет, какие столбцы будут использоваться для индексации строк сводной таблицы.

Указывает, какие столбцы будут преобразованы в новые столбцы сводной таблицы.

Задаёт, какие данные будут отображаться и агрегироваться в ячейках сводной таблицы.

pivot_table() позволяет не только перестраивать таблицу, но и применять агрегатные функции, тогда как pivot() просто преобразует строки в столбцы без агрегации.

pivot() может применять агрегатные функции, а pivot_table() только перестраивает таблицу без агрегации.

pivot_table() всегда возвращает DataFrame с уникальными индексами, а pivot() создаёт объект GroupBy.

pivot_table() используется для объединения двух DataFrame, а pivot() для фильтрации строк по ключу.

для отображений тенденций во времени

Для сравнения пропорций категорий в виде частей целого

Для отображения взаимосвязей между двумя числовыми переменными в виде точек.

Для объединения нескольких графиков в один без отображения тенденци

Сравнивает значения между различными категориями или группами данных.

Отображает изменения данных во времени или последовательности.

Показывает распределение значений и частоты появления элементов.

Визуализирует взаимосвязь между двумя числовыми переменными в виде точек.

С помощью метода plot()

С помощью метода merge()

С помощью метода groupby()

С помощью метода pivot().

показывает доли от целого

Отображает изменения данных во времени или последовательности.

Сравнивает значения между различными категориями или группами данных.

Показывает распределение значений и частоты появления элементов.

Показывает распределение данных, медиану, квартали и выбросы в наборе данных.

Сравнивает значения между различными категориями или группами данных.

Отображает доли категорий от общего целого в виде сегментов круга.

Показывает взаимосвязь между двумя числовыми переменными в виде точек.

Показывает распределение непрерывных данных

Сравнивает значения между различными категориями или группами данных.

Отображает доли категорий от общего целого в виде сегментов круга.

Показывает взаимосвязь между двумя числовыми переменными в виде точек.

Определяет количество интервалов (корзин), на которые распределяются значения данных для построения гистограммы.

Задает цвет столбцов гистограммы.

Определяет толщину линий графика.

Объединяет несколько гистограмм в одну без изменения данных.

С помощью параметра autopct

С помощью параметра legend, который только отображает подписи категорий.

С помощью метода xlabel(), который задаёт подпись оси X.

С помощью метода groupby()

показывает корреляцию между двумя переменными

Отображает распределение одной переменной по интервалам

Сравнивает значения между категориями

Показывает доли категорий от целого

Библиотека для работы с таблицами

Библиотека для создания машинного обучения

Библиотека для визуализации графиков

Библиотека для работы с массивами и числовыми данными

Библиотека для работы с массивами и числовыми данными

Библиотека для создания машинного обучения

Библиотека для визуализации графиков

Библиотека для работы с таблицами

Для хранения меток строк и обращения к ним

Для автоматической сортировки таблицы по алфавиту

Для хранения типов данных в каждом столбце

Для удаления дубликатов в датафрейме

pd.read_csv()

pd.open_csv()

pd.get_csv()

pd.load_csv()

Размер таблицы

Типы данных столбцов

Имена столбцов

Первые строки таблицы

df.columns

df.shape

df.names

df.index

df.describe()

df.info()

df.stats()

df.summary()

df.age

df(age)

df[age]

df(‘age’)

df[[‘age’, ‘name’]]

df[‘age’, ‘name’]

df(‘age’, ‘name’)

df(age, name)

df[‘new_column’]=100

df.new_column=100

df.add[‘new_column’]=100

df.new_column(100)

Показывает первые 10 строк

Показывает последние 10 строк

Показывает 10 строк с пропусками

Показывает случайные 10 строк

df[‘column_name’].sum()

df[‘column_name’].count()

df[‘column_name’].average()

df[‘column_name’].mean()

df[‘column’].mean()

df[‘column’].sum()

df[‘column’].count()

df[‘column’].average()

df.sort_values(‘column’)

df.sort_values[‘column’]

df.sorted(‘column’)

df.sorted_values[‘column’]

df.sort_values(‘column’, ascending=True)

df.sort_values[‘column’, descending=False]

df.sorted(‘column’, ascending=False)

df.sorted_values[‘column’, descending=True]

Отсутствующее значение

Пустая строка

Число 0

Ошибка

df[‘column’].count()

df[‘column’].sum()

df[‘column’].average()

df[‘column’].mean()

df[‘column’].value_counts()

df[‘column’].count_values()

df[‘column’].unique()

df[‘column’].nunique()

df[‘column’].value_counts(normalize=True)

df['column'].value_counts(percent=True)

df['column'].value_counts(ascending=True)

df['column'].value_counts(descending=True)

df.insert()

df.add()

df.assign()

df.append()

assign() возвращает новый DataFrame

assign() изменяет исходный DataFrame

assign() возвращает старый DataFrame

assign() изменяет новый DataFrame

df.set_index('id')

df.index('id')

df.index['id']

df.set_index['id']

df.sort_index()

df.sort_by_index()

df.sorted_index()

df.sort_values_index()

df.rename(index={0: 'first'})

df.rename[index({0: 'first'}]

df.rename({0: 'first'})

df.rename_index(0='first')

df.rename(columns={'old': 'new'})

df.rename[columns('old', 'new')]

df.rename(columns{'old': 'new'})

df.columns['old'] = ['new']

Задает функцию для преобразования данных перед сортировкой

Выбирает столбцы для сортировки

Определяет направление сортировки

Выбирает метод сортировки

Для изменения исходного DataFrame

Для создания копии DataFrame

Для ускорения операции

Для обработки пропущенных значений

Series

DataFrame

List

Array

df[df['math_score'] > 90]

df.(df['math_score'] > 90)

(df['math_score'] > 90)

df.filter(df['math_score'] > 90)

df.reset_index()

df.remove_index()

df.drop_index()

df.delete_index()

Количество строк

Количество столбцов

Количество ячеек

Размер файла

pd.concat([df1, df2])

pd.merge([df1, df2])

pd.join([df1, df2])

pd.combine([df1, df2])

pd.read_csv('http://example.com/data.csv')

pd.open_csv('http://example.com/data.csv')

pd.open_url('http://example.com/data.csv')

pd.web_csv('http://example.com/data.csv')

df.info()

df.describe()

df.types()

df.dtypes()

df.insert(1, 'season', 2022)

df.column(1)['season'] = 2022

df.add_column(1, 'season', 2022)

df.column(1, 'season', 2022)

Чтобы сделать названия более понятными

Чтобы уменьшить размер данных

Чтобы ускорить работу с данными

Чтобы исправить ошибки в данных

#

//

*

--