Pandas per tutti: Analisi dei dati in Python

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 9 voti.

Titolo originale:

Pandas for Everyone: Python Data Analysis

Contenuto del libro:

Introduzione pratica e ricca di esempi all'analisi dei dati con Pandas in Python.

Oggi gli analisti devono gestire dati caratterizzati da una straordinaria varietà, velocità e volume. Grazie alla libreria open source Pandas, è possibile utilizzare Python per automatizzare ed eseguire rapidamente qualsiasi attività di analisi dei dati, indipendentemente dalle dimensioni e dalla complessità. Pandas può aiutarvi a garantire la veridicità dei vostri dati, a visualizzarli per prendere decisioni efficaci e a riprodurre in modo affidabile le analisi su più set di dati.

Pandas per tutti" riunisce conoscenze pratiche e approfondimenti per risolvere problemi reali con Pandas, anche per chi è alle prime armi con l'analisi dei dati in Python. Daniel Y. Chen introduce i concetti chiave attraverso esempi semplici ma pratici, sviluppandoli progressivamente per risolvere problemi più difficili e reali.

Chen vi fa iniziare a usare Pandas con un set di dati realistico e tratta la combinazione di set di dati, la gestione dei dati mancanti e la strutturazione dei set di dati per facilitare l'analisi e la visualizzazione. Dimostra potenti tecniche di pulizia dei dati, dalla manipolazione di base delle stringhe all'applicazione simultanea di funzioni a tutti i dataframe.

Una volta che i dati sono pronti, Chen vi guida nell'adattamento dei modelli per la previsione, il clustering, l'inferenza e l'esplorazione. Fornisce suggerimenti sulle prestazioni e sulla scalabilità e introduce all'ecosistema di analisi dei dati in Python.

⬤ Lavorare con DataFrames e Series e importare o esportare datiCreare grafici con matplotlib, seaborn e pandas.

⬤ Combinare insiemi di dati e gestire i dati mancanti.

⬤ Riparametrare, riordinare e pulire i set di dati in modo da renderli più facili da lavorare.

⬤ Convertire tipi di dati e manipolare stringhe di testo.

⬤ Applicare funzioni per scalare le manipolazioni dei dati.

⬤ Aggregare, trasformare e filtrare grandi insiemi di dati con groupby.

⬤ Sfruttare le funzionalità avanzate di Pandas per la data e l'ora.

⬤ Adattare modelli lineari utilizzando le librerie statsmodels e scikit-learn.

⬤ Utilizzare la modellazione lineare generalizzata per adattare modelli con diverse variabili di risposta.

⬤ Confrontare più modelli per selezionare il migliore.

⬤ Regolarizzare per superare l'overfitting e migliorare le prestazioni.

⬤ Utilizzare il clustering nell'apprendimento automatico non supervisionato.

⬤ .