Мурат Дурмус - Практическое введение в основные библиотеки и фреймворки Python

программистов на долгие
годы.
Если коротко:
•

Python был создан Гвидо ван Россумом в
конце 1980-х, когда он работал в
Национальном
исследовательском
институте математики и информатики в
Нидерландах.

•

Первая версия Python, Python 0.9.0, была
выпущена в 1991 г.

•

Python 1.0 был выпущен в 1994 г. и включал
множество новых функций, таких как
лямбда-выражение,
сопоставление,
фильтрация и сокращение.

•

В 2000 году был выпущен Python 2.0, в
котором были представлены списки, новый
сборщик мусора и сборщик мусора с
обнаружением циклов.


PANDAS

•

Python 3.0, крупное обновление языка,
было выпущено в 2008 г. В эту версию было
внесено
множество
изменений
и
улучшений,
включая
переработанную
функцию
печати,
новый
синтаксис
форматирования строк и новый оператор
деления.

•

С момента выпуска Python 3.0 было
выпущено
несколько
второстепенных
выпусков, каждый из которых содержал
новые функции и улучшения, сохраняя при
этом
обратную
совместимость
с
существующим кодом.

•

Python стал одним из самых популярных
языков программирования в мире, который
используется
для
самых
разных
приложений, таких как веб-разработка,
научные вычисления, анализ данных и
машинное обучение.

•

Популярность Python обусловлена его
простотой,
удобочитаемостью
и
универсальностью, а также большим и
активным сообществом разработчиков,
которые вносят свой вклад в язык и его
экосистему библиотек и инструментов.

ix


PANDAS

НАУКА О ДАННЫХ
Наука о данных — это междисциплинарная область,
которая включает в себя извлечение, анализ и
интерпретацию больших и сложных наборов данных.
Она сочетает в себе элементы статистики,
компьютерных наук и знаний в предметной области
для извлечения идей и знаний из данных.
Специалисты по данным используют различные
инструменты и методы для сбора, обработки и
анализа данных, включая статистический анализ,
машинное обучение, интеллектуальный анализ
данных и визуализацию данных. Они работают с
большими и сложными наборами данных, чтобы
выявить закономерности, взаимосвязи и идеи,
которые могут помочь в принятии решений и
повысить ценность бизнеса.
Наука о данных применяется в различных областях,
включая бизнес, здравоохранение, финансы и
социальные науки. Она информирует о различных
решениях, от разработки продукта до маркетинга и
принятия политических решений.


PANDAS

PANDAS
Python Pandas — это библиотека для обработки и
анализа данных с открытым исходным кодом для
языка программирования Python. Она предоставляет
набор структур данных для эффективного хранения
больших наборов данных и управления ими, а также
различные инструменты для анализа, парсинга и
предварительной обработки данных.
Некоторые из ключевых структур данных в Pandas
включают Series, что представляет собой одномерный
объект, похожий на массив, который может
содержать данные любого типа; и DataFrame,
представляющий собой двумерную табличную
структуру данных со строками и столбцами, которую
можно рассматривать как электронную таблицу или
таблицу SQL.
Pandas также предоставляет ряд функций и методов
обработки данных, таких как фильтрация, сортировка,
слияние, группировка и агрегирование данных. Она
также поддерживает инструменты визуализации
данных,
которые
позволяют
пользователям
отображать и визуализировать данные различными
способами.
Она широко используется в анализе данных и науке о
данных и считается одним из основных инструментов
для работы с данными в Python. Pandas также часто
используется в сочетании с другими популярными
библиотеками данных, такими как NumPy, Matplotlib и
SciPy.
ix


PANDAS

Пример того, как вы можете использовать Pandas для
чтения файла CSV, обработки данных и вывода их в
новый файл:
import pandas as pd
# Read in the CSV file
data = pd.read_csv('my_data.csv')
# Print the first few rows of the data
print(data.head()
)
# Filter the data to include only rows where
the 'score' column is greater than 90
filtered_data = data[data['score'] > 90]
# Create a new column that calculates the
average of the 'score' and 'time' columns
filtered_data['average'] =
(filtered_data['score'] +
filtered_data['time']) / 2
# Output the filtered data to a new CSV file
filtered_data.to_csv('my_filtered_data.csv',
index=False)

В этом примере мы сначала импортируем библиотеку
Pandas, используя import pandas as pd. Затем мы
читаем файл CSV с именем my_data.csv, используя
функцию pd.read_csv(), --">