pandas

หัวใจหลักของ pandas, DataFrames ให้โครงสร้างข้อมูลแบบมีป้ายกำกับสองมิติที่มีคอลัมน์ที่มีประเภทที่แตกต่างกันได้ โครงสร้างนี้คล้ายกับสเปรดชีตหรือตาราง SQL DataFrames ช่วยให้การจัดการข้อมูลมีประสิทธิภาพ รวมถึงการจัดทำดัชนี การแบ่งส่วน และการผสานรวม พร้อมประสิทธิภาพที่เหมาะสมที่สุดสำหรับชุดข้อมูลขนาดใหญ่ โครงสร้างนี้เป็นรากฐานสำหรับการดำเนินการ pandas ส่วนใหญ่

Series แสดงอาร์เรย์แบบมีป้ายกำกับหนึ่งมิติที่สามารถเก็บข้อมูลประเภทใดก็ได้ พวกมันเป็นส่วนประกอบของ DataFrames และเป็นวิธีที่ยืดหยุ่นในการทำงานกับข้อมูลคอลัมน์เดียว Series รองรับการดำเนินการต่างๆ รวมถึงการจัดทำดัชนี การกรอง และการดำเนินการทางคณิตศาสตร์ ทำให้เป็นสิ่งสำคัญสำหรับการเลือกและการแปลงข้อมูล นอกจากนี้ยังใช้สำหรับการวิเคราะห์อนุกรมเวลา

pandas มีเครื่องมือที่ครอบคลุมสำหรับการทำความสะอาดและการประมวลผลข้อมูลล่วงหน้า รวมถึงการจัดการค่าที่หายไป (โดยใช้ `.fillna()`, `.dropna()`), การลบรายการที่ซ้ำกัน และการแปลงชนิดข้อมูล ฟังก์ชันเหล่านี้ช่วยให้มั่นใจในคุณภาพและความสอดคล้องของข้อมูล ซึ่งมีความสำคัญสำหรับการวิเคราะห์ที่ถูกต้อง คุณสมบัติเหล่านี้จำเป็นสำหรับการเตรียมข้อมูลในโลกแห่งความเป็นจริงสำหรับการวิเคราะห์

pandas รองรับการอ่านและเขียนข้อมูลจากรูปแบบต่างๆ รวมถึง CSV, Excel, ฐานข้อมูล SQL, JSON และ HTML ฟังก์ชัน `read_` และ `to_` มีอินเทอร์เฟซที่สอดคล้องกันสำหรับการนำเข้าและส่งออกข้อมูล ทำให้การรวมข้อมูลง่ายขึ้น ตัวอย่างเช่น `pd.read_csv()` สามารถอ่านไฟล์ CSV ได้โดยตรงลงใน DataFrame

pandas มีฟังก์ชันมากมายสำหรับการวิเคราะห์ข้อมูล รวมถึงการกรอง การจัดกลุ่ม การรวม และการผสาน ฟังก์ชัน `groupby()` ช่วยให้สามารถรวมข้อมูลที่ซับซ้อนได้ ในขณะที่ฟังก์ชัน `merge()` ช่วยให้สามารถรวมข้อมูลจากหลายแหล่งได้ ความสามารถเหล่านี้ช่วยให้ผู้ใช้สามารถทำงานวิเคราะห์ข้อมูลขั้นสูงได้อย่างมีประสิทธิภาพ

pandas มีฟังก์ชันการทำงานของอนุกรมเวลาที่แข็งแกร่ง รวมถึงการสร้างช่วงวันที่ การจัดการโซนเวลา และการสุ่มตัวอย่างใหม่ ทำให้เหมาะสำหรับการวิเคราะห์ข้อมูลตามเวลา ฟังก์ชัน `resample()` ช่วยให้สามารถเปลี่ยนความถี่ของข้อมูลอนุกรมเวลา และตัวเข้าถึง `dt` ให้การเข้าถึงคุณสมบัติ datetime ที่สะดวก