La bibliothèque Python Pandas

Contenu du cours

A propos de la bibliothèque Pandas Python
Installation de la bibliothèque Pandas
Création d'une série avec Pandas
Accès aux données d'une série Pandas
Les DataFrames Pandas
Opérations sur les DataFrames Pandas
Les Fonctions DataFrame Pandas

1. A propos de la bibliothèque Pandas Python

Pandas est un package Python opeen source qui est le plus largement utilisé pour la science et l'analyse des données, les tâches d'apprentissage automatique... Il est construit au-dessus d'un autre package nommé Numpy, qui prend en charge les tableaux multidimensionnels. En tant que l'un des packages de traitement de données les plus populaires, Pandas fonctionne bien avec de nombreux autres modules de science des données au sein de l'écosystème Python et est généralement inclus dans chaque distribution Python.
Python utilise ce qu'on appelle les DataFrames! Mais que peut-on faire avec les DataFrames de Pandas ?
Pandas simplifie la réalisation de nombreuses tâches chronophages et répétitives associées à l'utilisation des données, notamment :

Nettoyage des données
Remplissage de données
Normalisation des données
Visualisation de données
analyses statistiques
Contrôle des données
Chargement et sauvegarde des données
Et beaucoup plus

En fait, avec Pandas, vous pouvez faire tout ce qui fait que les scientifiques de données de renommée mondiale votent Pandas comme le meilleur outil d'analyse et de manipulation de données disponible.

2. Installation de Pandas

Pandas ne s'installe pas automatiquement avec le package standard de Python, cependant si vous utiliser des distribution complètes de Python comme Anaconda, Pytschool, Pandas est déjà installé dans ce cas! Mais si vous utiliser la version standard de Python, vous pouvez l'installer très facilement en toute souplesse via l'utilitaire pip:

pip install  pandas

1	pip install pandas

3. Création d'une série avec Pandas

Pandas Series est un tableau étiqueté unidimensionnel capable de contenir des données de tout type (entier, chaîne, flottant, objets python, etc.). Les étiquettes d'axe sont appelées collectivement index.

3.1 Création d'une série vide

Un premier exemple de série pandas est la série vide:

Exemple

# importation de pandas en tant que pan
import pandas as pan
# Création de séries vides
ser = pan.Series()
print(ser)
# La sortie est :  Série ([], dtype: float64)

# importation de pandas en tant que pan

import pandas as pan

# Création de séries vides

ser = pan.Series()

print(ser)

# La sortie est : Série ([], dtype: float64)

3.2 Création d'une série à partir d'un tableau

Afin de créer une série à partir d'un tableau, nous devons importer le module numpy et utiliser la méthode numpy.array().

Exemple

# importation de pandas as pan
import pandas as pan

# importation de  numpy as np
import numpy as np

# tableau simple
data = np.array (['P', 'y', 't', 'h', 'o' , 'n'])

s = pan.Series(data)
print(s)
"""
La sortie est:

0    P
1    y
2    t
3    h
4    o
5    n
dtype: object
"""

# importation de pandas as pan

import pandas as pan

# importation de numpy as np

import numpy as np

# tableau simple

data = np.array (['P', 'y', 't', 'h', 'o' , 'n'])

s = pan.Series(data)

print(s)

"""

La sortie est:

0 P

1 y

2 t

3 h

4 o

5 n

dtype: object

"""

3.3 Création d'une série à partir d'un tableau avec index

Afin de créer une série à partir d'un tableau avec index, nous devons fournir à index le même nombre d'éléments que dans le tableau.

Exemple

# importation de pandas as pan
import pandas as pan

# importation de  numpy as np
import numpy as np

# tableau simple
data = np.array (['p', 'y', 't', 'h', 'o' , 'n'])

# fournir un index
s = pan.Series (data, index = [4, 7, 8, 9, 13 , 17])
print(s)
"""
La sortie est :
4    p
7    y
8    t
9    h
13    o
17    n
dtype: object
"""

# importation de pandas as pan

import pandas as pan

# importation de numpy as np

import numpy as np

# tableau simple

data = np.array (['p', 'y', 't', 'h', 'o' , 'n'])

# fournir un index

s = pan.Series (data, index = [4, 7, 8, 9, 13 , 17])

print(s)

"""

La sortie est :

4 p

7 y

8 t

9 h

13 o

17 n

dtype: object

"""

3.4 Création d'une série à partir d'un Scalaire

Si les données sont une valeur scalaire, un index doit être fourni. La valeur sera répétée pour correspondre à la longueur de l'index

Exemple

#import the pandas library as pan
import pandas as pan
import numpy as np
s = pan.Series(7, index=[1, 2, 3, 4, 5])
print(s)
"""
La sortie est:

1    7
2    7
3    7
4    7
5    7
dtype: int64
"""

#import the pandas library as pan

import pandas as pan

import numpy as np

s = pan.Series(7, index=[1, 2, 3, 4, 5])

print(s)

"""

La sortie est:

1 7

2 7

3 7

4 7

5 7

dtype: int64

"""

3.5 Création d'une série à partir d'un dictionnaire

Afin de créer une série à partir d'un dictionnaire, nous devons d'abord créer un dictionnaire après quoi nous pouvons créer une série. Les clés de dictionnaire sont utilisées pour construire un index.

Exemple

# coding: utf-8
import pandas as pan
# exemple de dictionnaire 
dict = {'Laptop' : 17, 
        'Ipad' : 15, 
        'Tablette' : 25} 
   
# Créer une série à partir du dictionnaire
s = pan.Series(dict)  
print(s)
""" 
Ce qui affiche:

Laptop    17
Ipad    15
Tablette    25
dtype: int64
"""

# coding: utf-8

import pandas as pan

# exemple de dictionnaire

dict = {'Laptop' : 17,

'Ipad' : 15,

'Tablette' : 25}

# Créer une série à partir du dictionnaire

s = pan.Series(dict)

print(s)

"""

Ce qui affiche:

Laptop 17

Ipad 15

Tablette 25

dtype: int64

"""

4. Accès aux données d'une série Pandas

On peut accéder aux données à partir d'un index facilement en spécifiant la position entre crochets.

Exemple

import pandas as pan
s = pan.Series(['a','b','c','d'] ,index = [0, 1, 2, 3])

#extraire directement le deuxième élément
print(s[1])
# Affiche  b

import pandas as pan

s = pan.Series(['a','b','c','d'] ,index = [0, 1, 2, 3])

#extraire directement le deuxième élément

print(s[1])

# Affiche b

Ou encore:

Exemple: extraire l'élément avec son index

import pandas as pan
s = pan.Series(['a','b','c','d'] , index = [0, 1, 2, 3] )

#extraire le deuxième élément
print(s[[2]])
"""
output:
2    c
dtype: object
"""

import pandas as pan

s = pan.Series(['a','b','c','d'] , index = [0, 1, 2, 3] )

#extraire le deuxième élément

print(s[[2]])

"""

output:

2 c

dtype: object

"""

Exemple: extraire les données depuis un index début jusqu'à un index fin

import pandas as pan
s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire depuis l'index 2 jusqu'à l'index 4
print(s[2:4])
"""
output:
c    2
d    3
dtype: int64
"""

import pandas as pan

s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire depuis l'index 2 jusqu'à l'index 4

print(s[2:4])

"""

output:

c 2

d 3

dtype: int64

"""

Exemple: extraction des données à partir d'étiquette

import pandas as pan
s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire le deuxième élément
print(s['d']) 
print(s[['d']]) 
"""
output:
3
d     3
dtype: int64
"""

import pandas as pan

s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire le deuxième élément

print(s['d'])

print(s[['d']])

"""

output:

d 3

dtype: int64

"""

Ou encore:

Exemple

import pandas as pan
s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire le deuxième élément
print(s[['a' , 'e' , 'd']])
"""
output:

a    0
e    4
d    3
dtype: int64
"""

import pandas as pan

s = pan.Series([0, 1, 2, 3, 4, 5],index = ['a','b','c','d','e','f'])

#extraire le deuxième élément

print(s[['a' , 'e' , 'd']])

"""

output:

a 0

e 4

d 3

dtype: int64

"""

5.DataFrame Pandas Python

un DataFrame Pandas est un type de donnée similaire à un dictionnaire où les clefs sont utilisés pour représenter les noms des colonnes et les valeurs sont représentés par des séries. DataFrame est défini comme un moyen standard de stocker des données qui ont deux index différents, c'est-à-dire un index de ligne et un index de colonne. Il se compose des propriétés suivantes :

Les colonnes peuvent être de types hétérogènes comme int, bool, etc.
Il peut être vu comme un dictionnaire de la structure des séries où les lignes et les colonnes sont indexées. Il est noté "colonnes" en cas de colonnes et "index" en cas de lignes.

Un DataFrame peut être créer en utilisant:

Un dictionnaire Python
Une liste
Un tableau Numpy ndarrrays
Une série
...

5.1 DataFrame à partir d'un dictionnaire

Pour faire simple, nous allons traiter un exemple concret:
Nous souhaitons à titre d'exemple, représenter la table données suivante à l'aide d'un dataframe:

Etape1: nous commençons par convertir la table des données en un dictionnaire:

dictData = {'ID' : [1, 2, 3] , 
        'Nom': ['Natalie', 'Robert', 'Bernard'],  
        'Age': [22, 37, 29], 
        'Taille': [170, 190, 181]}

dictData = {'ID' : [1, 2, 3] ,

'Nom': ['Natalie', 'Robert', 'Bernard'],

'Age': [22, 37, 29],

'Taille': [170, 190, 181]}

Etape2: nous faisons ensuite l'instanciation sur la classe DataFrame:

df = pandas.DataFrame(dictData)

1	df = pandas.DataFrame(dictData)

Etape3: traiter les données du dictionnaire:

import pandas as pan

dictData = {'ID' : [1, 2, 3] , 
        'Nom': ['Natalie', 'Robert', 'Bernard'],  
        'Age': [22, 37, 29], 
        'Taille': [170, 190, 181]}
df = pan.DataFrame(dictData)
print(df)
"""
output:
   ID      Nom  Age  Taille
0   1  Natalie   22     170
1   2   Robert   37     190
2   3  Bernard   29     181
"""

import pandas as pan

dictData = {'ID' : [1, 2, 3] ,

'Nom': ['Natalie', 'Robert', 'Bernard'],

'Age': [22, 37, 29],

'Taille': [170, 190, 181]}

df = pan.DataFrame(dictData)

print(df)

"""

output:

ID Nom Age Taille

0 1 Natalie 22 170

1 2 Robert 37 190

2 3 Bernard 29 181

"""

5.2 DataFrame à partir d'une liste

Comme cité ci-dessus, la création de Pandas Dataframe peut être réalisée de plusieurs manières. Voyons maintenant, comment créer un Pandas DataFrame à partir de listes.

Exemple

import pandas as ps

languages = ['Python' , 'Java' , 'PHP' , 'C++' , 'Javascript']

# création du DataFrame à partir de la liste 'languages'
df = ps.DataFrame(languages)

# afficher le DataFrame
print(df)

"""
output:
            0
0      Python
1        Java
2         PHP
3         C++
4  Javascript
"""

import pandas as ps

languages = ['Python' , 'Java' , 'PHP' , 'C++' , 'Javascript']

# création du DataFrame à partir de la liste 'languages'

df = ps.DataFrame(languages)

# afficher le DataFrame

print(df)

"""

output:

0 Python

1 Java

2 PHP

3 C++

4 Javascript

"""

On peut aussi utiliser une autre liste des étiquettes:

Exemple

import pandas as ps

# liste des données
data = ['Tomas' , 'Albert' , 'Nathalie' , 'Roberto' , 'Adam']
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index = labels)

# afficher le DataFrame
print(df)
"""
output:
           0
11     Tomas
12    Albert
13  Nathalie
14   Roberto
15      Adam
"""

import pandas as ps

# liste des données

data = ['Tomas' , 'Albert' , 'Nathalie' , 'Roberto' , 'Adam']

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index = labels)

# afficher le DataFrame

print(df)

"""

output:

11 Tomas

12 Albert

13 Nathalie

14 Roberto

15 Adam

"""

On peut aussi ajouter un nom pour la colonne des noms:

Exemple

import pandas as ps

# liste des données
data = ['Tomas' , 'Albert' , 'Nathalie' , 'Roberto' , 'Adam']
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index = labels , columns=['Clients'])

# afficher le DataFrame
print(df)
"""
output:
     Clients
11     Tomas
12    Albert
13  Nathalie
14   Roberto
15      Adam
"""

import pandas as ps

# liste des données

data = ['Tomas' , 'Albert' , 'Nathalie' , 'Roberto' , 'Adam']

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index = labels , columns=['Clients'])

# afficher le DataFrame

print(df)

"""

output:

Clients

11 Tomas

12 Albert

13 Nathalie

14 Roberto

15 Adam

"""

On peut aussi utiliser une liste multidimentionnelle afin de pouvoir représenter et renvoyer un tableau multidimentionnel:

Exemple

import pandas as ps

# liste des données
data = [['Tomas' , 'tomas@gmail.com' , 'Math'], 
        ['Albert' ,'albert@gmail.com' , 'SVT' ],
        ['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'], 
        ['Roberto' ,'roberto@gmail.com' , 'Physique'],
        ['Adam' , 'adam@gmail.com' , 'Info']]
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame
print(df)
"""
output:
        Name               Email   Section
11     Tomas     tomas@gmail.com      Math
12    Albert    albert@gmail.com       SVT
13  Nathalie  nathalie@gmail.com    Sc Eco
14   Roberto   roberto@gmail.com  Physique
15      Adam      adam@gmail.com      Info
"""

import pandas as ps

# liste des données

data = [['Tomas' , 'tomas@gmail.com' , 'Math'],

['Albert' ,'albert@gmail.com' , 'SVT' ],

['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'],

['Roberto' ,'roberto@gmail.com' , 'Physique'],

['Adam' , 'adam@gmail.com' , 'Info']]

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame

print(df)

"""

output:

Name Email Section

11 Tomas tomas@gmail.com Math

12 Albert albert@gmail.com SVT

13 Nathalie nathalie@gmail.com Sc Eco

14 Roberto roberto@gmail.com Physique

15 Adam adam@gmail.com Info

"""

5.3 DataFrame à partir d'un tableau numpy

Reprenons l'exemple du paragraphe précédent. Les données du tableau peuvent être représentées par un tableau numpy:

ar = numpy.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])

1	ar = numpy.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])

Et on crée ensuite le dataframe en utilisant la liste des noms des colonnes:

df = pan.DataFrame(ar,  columns = ['ID', 'Nom', 'Age', 'Taille'])

1	df = pan.DataFrame(ar, columns = ['ID', 'Nom', 'Age', 'Taille'])

Code final

import pandas as pan
import numpy as np
ar = np.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])
df = pan.DataFrame(ar,  columns = ['ID', 'Nom', 'Age', 'Taille'])
print(df)
"""
output:
  ID      Nom Age Taille
0  1  Natalie  22    170
1  2   Robert  37    190
2  3  Bernard  29    181
"""

import pandas as pan

import numpy as np

ar = np.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])

df = pan.DataFrame(ar, columns = ['ID', 'Nom', 'Age', 'Taille'])

print(df)

"""

output:

ID Nom Age Taille

0 1 Natalie 22 170

1 2 Robert 37 190

2 3 Bernard 29 181

"""

On souhaite parfois afficher les données de certaines colonnes seulement:

Exemple (affichage des colonnes Nom et Age)

import pandas as pan
import numpy as np
ar = np.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])
df = pan.DataFrame(ar,  columns = ['ID', 'Nom', 'Age', 'Taille'])
print(df[['Nom', 'Age']])
"""
output:
       Nom Age
0  Natalie  22
1   Robert  37
2  Bernard  29
"""

import pandas as pan

import numpy as np

ar = np.array([[1, 'Natalie', 22, 170], [2, 'Robert', 37, 190], [3, 'Bernard' , 29 , 181]])

df = pan.DataFrame(ar, columns = ['ID', 'Nom', 'Age', 'Taille'])

print(df[['Nom', 'Age']])

"""

output:

Nom Age

0 Natalie 22

1 Robert 37

2 Bernard 29

"""

6. Opérations sur les DataFrames

6.1 Boucle à travers un DataFrame

Un DataFrame peut être traité comme un objet itérable et parcouru à l'aide d'une boucle for. Dans ce cas ce sont les colonnes du DataFrame qui seront mis en évidence !

Exemple ( afficher les colonnes d'un DataFrame)

# importation de la bibliothèque pandas
import pandas as ps

# représentation des données sur un dictionnaire python
dictData = {'A' : ['A1', 'A2', 'A3', 'A4' , 'A5'] , 
            'B': ['B1' , 'B2' , 'B3' , 'B4' , 'B5'] , 
            'C': ['C1' , 'C2' , 'C3' , 'C4' , 'C5'] , 
            'D' : ['D1' , 'D2', 'D3','D4' , 'D5'] }

# créer un objet dataframe
df = ps.DataFrame(dictData)

# afficher la liste des colonnes du DataFrame
for x in df:
    print(x)
"""
output:
A
B
C
D
"""

# importation de la bibliothèque pandas

import pandas as ps

# représentation des données sur un dictionnaire python

dictData = {'A' : ['A1', 'A2', 'A3', 'A4' , 'A5'] ,

'B': ['B1' , 'B2' , 'B3' , 'B4' , 'B5'] ,

'C': ['C1' , 'C2' , 'C3' , 'C4' , 'C5'] ,

'D' : ['D1' , 'D2', 'D3','D4' , 'D5'] }

# créer un objet dataframe

df = ps.DataFrame(dictData)

# afficher la liste des colonnes du DataFrame

for x in df:

print(x)

"""

output:

"""

6.2 Sélectionner une ou plusieurs colonnes d'un DataFrame

Pandas nous offre la possibilité de choisir les colonnes à afficher d'un DataFrame. Pour ce faire, il suffit de mettre entre crochets les colonnes à afficher:

Exemple ( afficher uniquement la colonne 'name')

import pandas as ps

# liste des données
data = [['Tomas' , 'tomas@gmail.com' , 'Math'], 
        ['Albert' ,'albert@gmail.com' , 'SVT' ],
        ['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'], 
        ['Roberto' ,'roberto@gmail.com' , 'Physique'],
        ['Adam' , 'adam@gmail.com' , 'Info']]
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame
print(df ['Name'])
"""
output:
11       Tomas
12      Albert
13    Nathalie
14     Roberto
15        Adam
Name: Name, dtype: object
"""

import pandas as ps

# liste des données

data = [['Tomas' , 'tomas@gmail.com' , 'Math'],

['Albert' ,'albert@gmail.com' , 'SVT' ],

['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'],

['Roberto' ,'roberto@gmail.com' , 'Physique'],

['Adam' , 'adam@gmail.com' , 'Info']]

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame

print(df ['Name'])

"""

output:

11 Tomas

12 Albert

13 Nathalie

14 Roberto

15 Adam

Name: Name, dtype: object

"""

On peut aussi faire une sélection multiple de colonnes:

Exemple (sélectionner les colonnes 'Name' et 'Section')

import pandas as ps

# liste des données
data = [['Tomas' , 'tomas@gmail.com' , 'Math'], 
        ['Albert' ,'albert@gmail.com' , 'SVT' ],
        ['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'], 
        ['Roberto' ,'roberto@gmail.com' , 'Physique'],
        ['Adam' , 'adam@gmail.com' , 'Info']]
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame
print(df [['Name' , 'Section']])
"""
output:
        Name   Section
11     Tomas      Math
12    Albert       SVT
13  Nathalie    Sc Eco
14   Roberto  Physique
15      Adam      Info
"""

import pandas as ps

# liste des données

data = [['Tomas' , 'tomas@gmail.com' , 'Math'],

['Albert' ,'albert@gmail.com' , 'SVT' ],

['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'],

['Roberto' ,'roberto@gmail.com' , 'Physique'],

['Adam' , 'adam@gmail.com' , 'Info']]

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame

print(df [['Name' , 'Section']])

"""

output:

Name Section

11 Tomas Math

12 Albert SVT

13 Nathalie Sc Eco

14 Roberto Physique

15 Adam Info

"""

6.3 Ajouter une colonne à un DataFrame

Pour ajouter une colonne à un DataFrame, il suffit de créer la colonne à ajouter, et mettre à jour le DataFrame avec la commande:

df[column_to_add]

1	df[column_to_add]

A titre d'exemple, nous allons reprendre l'exemple du paragraphe précédent et ajouter la colonne 'Age':

Exemple (ajouter la colonne age)

import pandas as ps

# liste des données
data = [['Tomas' , 'tomas@gmail.com' , 'Math'], 
        ['Albert' ,'albert@gmail.com' , 'SVT' ],
        ['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'], 
        ['Roberto' ,'roberto@gmail.com' , 'Physique'],
        ['Adam' , 'adam@gmail.com' , 'Info']]
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame
print(df)
print('---------------------------------------------')
# ajouter une colonne
age = [22 , 25 , 23 , 20 , 27]
df['Age'] = age
print(df)
"""
output:
        Name               Email   Section
11     Tomas     tomas@gmail.com      Math
12    Albert    albert@gmail.com       SVT
13  Nathalie  nathalie@gmail.com    Sc Eco
14   Roberto   roberto@gmail.com  Physique
15      Adam      adam@gmail.com      Info
---------------------------------------------
        Name               Email   Section  Age
11     Tomas     tomas@gmail.com      Math   22
12    Albert    albert@gmail.com       SVT   25
13  Nathalie  nathalie@gmail.com    Sc Eco   23
14   Roberto   roberto@gmail.com  Physique   20
15      Adam      adam@gmail.com      Info   27
"""

import pandas as ps

# liste des données

data = [['Tomas' , 'tomas@gmail.com' , 'Math'],

['Albert' ,'albert@gmail.com' , 'SVT' ],

['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'],

['Roberto' ,'roberto@gmail.com' , 'Physique'],

['Adam' , 'adam@gmail.com' , 'Info']]

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame

print(df)

print('---------------------------------------------')

# ajouter une colonne

age = [22 , 25 , 23 , 20 , 27]

df['Age'] = age

print(df)

"""

output:

Name Email Section

11 Tomas tomas@gmail.com Math

12 Albert albert@gmail.com SVT

13 Nathalie nathalie@gmail.com Sc Eco

14 Roberto roberto@gmail.com Physique

15 Adam adam@gmail.com Info

---------------------------------------------

Name Email Section Age

11 Tomas tomas@gmail.com Math 22

12 Albert albert@gmail.com SVT 25

13 Nathalie nathalie@gmail.com Sc Eco 23

14 Roberto roberto@gmail.com Physique 20

15 Adam adam@gmail.com Info 27

"""

6.4 Supprimer une colonne d'un DataFrame

Pour supprimer une colonne d'un DataFrame pandas, il suffit d'utiliser la commande del en précisant entre crochets la colonne à supprimer:

del df[column_to_delete]

1	del df[column_to_delete]

Exemple ( supprimer la colonne 'Email')

import pandas as ps

# liste des données
data = [['Tomas' , 'tomas@gmail.com' , 'Math'], 
        ['Albert' ,'albert@gmail.com' , 'SVT' ],
        ['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'], 
        ['Roberto' ,'roberto@gmail.com' , 'Physique'],
        ['Adam' , 'adam@gmail.com' , 'Info']]
labels = [11 , 12, 13 , 14, 15]

# création du DataFrame
df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame
print(df)
print('---------------------------------------------')
# supprimer la colonne 'Email'
del df['Email']
print(df)
"""
output:
        Name               Email   Section
11     Tomas     tomas@gmail.com      Math
12    Albert    albert@gmail.com       SVT
13  Nathalie  nathalie@gmail.com    Sc Eco
14   Roberto   roberto@gmail.com  Physique
15      Adam      adam@gmail.com      Info
---------------------------------------------
        Name   Section
11     Tomas      Math
12    Albert       SVT
13  Nathalie    Sc Eco
14   Roberto  Physique
15      Adam      Info
"""

import pandas as ps

# liste des données

data = [['Tomas' , 'tomas@gmail.com' , 'Math'],

['Albert' ,'albert@gmail.com' , 'SVT' ],

['Nathalie', 'nathalie@gmail.com' , 'Sc Eco'],

['Roberto' ,'roberto@gmail.com' , 'Physique'],

['Adam' , 'adam@gmail.com' , 'Info']]

labels = [11 , 12, 13 , 14, 15]

# création du DataFrame

df = ps.DataFrame(data , index=labels , columns=[ 'Name' , 'Email' , 'Section'])

# afficher le DataFrame

print(df)

print('---------------------------------------------')

# supprimer la colonne 'Email'

del df['Email']

print(df)

"""

output:

Name Email Section

11 Tomas tomas@gmail.com Math

12 Albert albert@gmail.com SVT

13 Nathalie nathalie@gmail.com Sc Eco

14 Roberto roberto@gmail.com Physique

15 Adam adam@gmail.com Info

---------------------------------------------

Name Section

11 Tomas Math

12 Albert SVT

13 Nathalie Sc Eco

14 Roberto Physique

15 Adam Info

"""

Remarque

On peut aussi supprimer une colonne en utilisant la méthode pop(). Exemple pour supprimer la colonne 'Email' de l'exemple précédent, il suffit d'ajouter la commande:

df.pop('Email')

1	df.pop('Email')

7. Les Méthodes DataFrame Pandas

La classe DataFrame est dotée de nombreuses fonctions permettant de manipuler les données avec une grande souplesse:

1. DataFrame.append(): Ajouter les lignes d'une autre dataframe à la fin de la dataframe donnée.
2. DataFrame.apply(): Permet à l'utilisateur de transmettre une fonction et de l'appliquer à chaque valeur de la série Pandas.
3. DataFrame.assign(): Ajouter une nouvelle colonne dans un dataframe.
4. DataFrame.astype(): Convertit l'objet en une fonction dtype.astype()spécifiée.
5. DataFrame.concat(): Effectue une opération de concaténation le long d'un axe dans le DataFrame.
6. DataFrame.count(): Compte le nombre de cellules non NA pour chaque colonne ou ligne.
7. DataFrame.describe(): Calcule des données statistiques comme le centile, la moyenne et la norme des valeurs numériques de la série ou du DataFrame.
8. DataFrame.drop_duplicates(): Supprime les valeurs en double du DataFrame.
9. DataFrame.groupby(): Divisez les données en différents groupes.
10. DataFrame.head(): Renvoie les n premières lignes de l'objet en fonction de la position.
11. DataFrame.hist(): Divise les valeurs d'une variable numérique en "bins".
12. DataFrame.iterrows(): Itérer sur les lignes sous forme de paires (index, série).
13. DataFrame.loc(): faire des sélections sur les lignes et colonnes d'un DataFrame
14. DataFrame.mean(): Renvoie la moyenne des valeurs pour l'axe demandé.
15. DataFrame.melt(): Dépivote le DataFrame d'un format large à un format long.
16. DataFrame.merge(): Fusionne les deux ensembles de données en un seul.
17. DataFrame.pivot_table(): Agrégez des données avec des calculs tels que Sum, Count, Average, Max et Min.
18. DataFrame.query(): Filtre le dataframe.
19. DataFrame.sample (): Sélectionnez les lignes et les colonnes de la trame de données de manière aléatoire.
20. DataFrame.shift(): Décalez la colonne ou soustrayez la valeur de la colonne avec la valeur de la ligne précédente de la trame de données.
21. DataFrame.sort_index(): Trie le DataFrame à partir des index.
22. DataFrame.sort_values(): Trie le DataFrame par l'étiquette spécifiée en paramètres
23. DataFrame.sum(): Renvoie la somme des valeurs de l'axe demandé par l'utilisateur.
24. DataFrame.to_excel(): Exportez le dataframe vers le fichier excel.
25. DataFrame.transpose(): Transpose l'index et les colonnes du dataframe.
26. DataFrame.where(): Vérifiez le dataframe pour une ou plusieurs conditions.

Younes Derfoufi
CRMEF OUJDA

Post Views: 4 380

Acheter sur Très Facile !

1. A propos de la bibliothèque Pandas Python

2. Installation de Pandas

3. Création d'une série avec Pandas

3.1 Création d'une série vide

Exemple

3.2 Création d'une série à partir d'un tableau

Exemple

3.3 Création d'une série à partir d'un tableau avec index

Exemple

3.4 Création d'une série à partir d'un Scalaire

Exemple

3.5 Création d'une série à partir d'un dictionnaire

Exemple

4. Accès aux données d'une série Pandas

Exemple

Exemple: extraire l'élément avec son index

Exemple: extraire les données depuis un index début jusqu'à un index fin

Exemple: extraction des données à partir d'étiquette

Exemple

5.DataFrame Pandas Python

5.1 DataFrame à partir d'un dictionnaire

5.2 DataFrame à partir d'une liste

Exemple

Exemple

Exemple

Exemple

5.3 DataFrame à partir d'un tableau numpy

Code final

Exemple (affichage des colonnes Nom et Age)

6. Opérations sur les DataFrames

6.1 Boucle à travers un DataFrame

Exemple ( afficher les colonnes d'un DataFrame)

6.2 Sélectionner une ou plusieurs colonnes d'un DataFrame

Exemple ( afficher uniquement la colonne 'name')

Exemple (sélectionner les colonnes 'Name' et 'Section')

6.3 Ajouter une colonne à un DataFrame

Exemple (ajouter la colonne age)

6.4 Supprimer une colonne d'un DataFrame

Exemple ( supprimer la colonne 'Email')

Remarque

7. Les Méthodes DataFrame Pandas

Apprenez à programmer en Python- Vincent Le Goff

Oreillette Bluetooth Sans Fil - Écouteurs Bluetooth 5.1 Contrôle Tactile, Écran LED

J'apprends à programmer avec Python- manuel d'initiation

1 thought on “La bibliothèque Python Pandas”

Leave a Reply Cancel reply