Скачать или смотреть جلسه سی و پنجم از کتاب مرجع علم داده با استفاده از پایتون python data science handbook

جلسه سی و پنجم از کتاب مرجع علم داده با استفاده از پایتون python data science handbook
مقدمه ای برا اشیای Pandas در سطح بسیار پایه اشیای Pandas را میتوانید نسخه هایی از آرایه های ساخت یافته Numpy تصور کنید که در آنها سطرها و ستونها با برچسبها شناساسی می شوند بجای اینکه مانند Numpy از ایندکسهای عدد صحیح ساده استفاده نمایند.همانطور که در طولی این فصل خواهیم دید Pandas میزبانی از ابزارهای کارآمد، متدهای کارآمد و قابلیتهای کارآمد را فراهم می کنم که بر اساس ساختارهای داده پایه خود بنا نهاده شده است، اما تقریبا همه چیز نیاز به درک این ساختارهای پایه Pandas دارد. بنابراین قبل از اینکه جلوتر برویم، مقدمه ای بر این سه ساختارهای داده ای پایه Pandas را می آوریم که شامل ساختار داده ای Series و DataFrame و Index می باشد.
ما جلسات کد خود را با import کردن پکیج های استاندارد Numpy و Pandas شروع می کنیم:
In[1]: import numpy as np
import pandas as pd
شی Series از پکیج Pandas
یک شی Series از پکیج pandas یک ارایه یک بعدی از داده شاخص گذاری شده است. این میتواند از یک لیست یا آرایه به وجود بیاید که مثال آن را در زیر می آوریم:
In[2]: data = pd.Series([0.25, 0.5, 0.75, 1.0])
data
Out[2]: 0 0.25
1 0.50
2 0.75
3 1.00
dtype: float64
همانطورکه در خروجی مشاهده می کنیم شی Series یک ترتیبی از ارزشها و یک ترتیبی از ایندکسها دارد که ما میتوانیم به خصوصیات attributes ارزشها و ایندکسها values and index دسترسی پیدا کنیم. ارزشها ه سادگی شبیه ارایه Numpy هستند:
In[3]: data.values
Out[3]: array([ 0.25, 0.5 , 0.75, 1. ])
ایندکس یک شی شبیه ارایه از نوع pd.index است که در این خصوص با جزییات بیشتر به زودی بحث می کنیم:
In[4]: data.index
Out[4]: RangeIndex(start=0, stop=4, step=1)
شبیه یک آرایه Numpy داده ها را میتوان از طریق ایندکس مرتبط با ان دستیابی کرد و این کار را با نشانه گذاری آشنای داخل براکت پایتون انجام داد.
In[5]: data[1]
Out[5]: 0.5
In[6]: data[1:3]
Out[6]: 1 0.50
2 0.75
dtype: float64
آنچنان که خواهیم دید، بنابراین شی Sereis از پکیج Pandas بسیار بیشتر عمومی و انعطاف پذیر تر از آرایه Numpy یک بعدی است که شبیه سازی نموده است.

کلاس و شی Series از پکیج Pandas به عنوان یک آرایه گسترش یافته شده Numpy
از آنچه که تاکنون مشاهده کرده ایم، به نظر میرسد که شی Series را میتوان با یک آرایه Numpy یک بعدی بسیار شبیه فرض کرد. تفاوت پایه استفاده از ایندکس در شی Series است، در حالیکه آرایه Numpy ایندکس صحیح تعریف شده ضمنی دارد تا برای دسترسی به ارزشها استفاده نماید شی Series پکیج Pandas یک تعریف صریح مرتبط با ارزشها دارد.
این تعریف ایندکس صریح قابلیتهای اصافی به شی Series می دهد. برای مثال ایندکس نیازی نیست که یک عدد صحیح باشد، بلکه میتواند از ارزشهایی از هر نوع تشکیل شده باشد. برای مثال، اگر بخواهیم میتوانیم از رشته ها به عنوان ایندکس استفاده نماییم:
In[7]: data = pd.Series([0.25, 0.5, 0.75, 1.0],
index=['a', 'b', 'c', 'd'])
data
Out[7]: a 0.25
b 0.50
c 0.75
d 1.00
dtype: float64
و دسترسی به item ها همانطور که مورد انتظار است به شکل زیر می باشد:
In[8]: data['b']
Out[8]: 0.5
میتوانیم از ایندکسهایی استفاده نماییم که لزوما پشت سرهم نیستند:
In[9]: data = pd.Series([0.25, 0.5, 0.75, 1.0],
index=[2, 5, 3, 7])
data
Out[9]: 2 0.25
5 0.50
3 0.75
7 1.00
dtype: float64
In[10]: data[5]
Out[10]: 0.5
Series به عنوان یک دیکشنری خاص
در این روش، شما میتوانید یک Series پکیج Pandas را کمی شبیه دیکشنر ی پایتون تصور نمایید. یک دیکشنری یک ساختار است که کلیدهای دلخواه را به مجموعه ای از ارزشهای دلخواه نگاشت می نماید و یک شی Series یک ساختار است که کلیدها را به مجموعه ای از ارزشهای نوعی نگاشت می کند. این تخصیص نوع مهم است. همانطور که کد کامپایل شده تخصیص نوع پشت یک آرایه Numpy ان را از لیست پایتون کارآمدتر برای عملیاتهای خاص در لیست پایتون می کن، اطلاعات نوع از شی Series پکیج Pandas آن بسیار بیشتر از دیکشنرهای پایتون برای عملیاتهای خاص کارآمد تر می کند.
به عبارتی همانطور که دیدیم آرایه های Numpy قابلیتهای بسیار بیشتر در علم داده نسبت به لیستهای پایتون داشتند در اینجا نیز شی Series از پکیج Pandas قابلیتهای خیلی بیشتر نسبت به دیکشنریهای پایتون در کاربردهای خاص مانند علم داده دارد.
In[11]: population_dict = {'California': 38332521,
'Texas': 26448193,
'New York': 19651127,
'Florida': 19552860,
'Illinois': 12882135}
population = pd.Series(population_dict)
population
Out[11]: California 38332521
Florida 19552860
Illinois 12882135
New York 19651127
Texas 26448193
dtype: int64
بصورت پیش گزیده، یک شی Series به وجود می آید جاییکه ایندکس از کلیدهای مرتب شده بیرون کشیده شود. از اینجا است که آیتم با استایل دیکشنری نوعی را مبیتوان دسترسی پیدا کرد:
In[12]: population['California']
Out[12]: 38332521
برخلاف دیکشنری بنابراین شی Series همچنین پشتیبانی می کند از عملیات های با استایل آرایه مانند slicing:
In[13]: population['California':'Illinois']
Out[13]: California 38332521
Florida 19552860
Illinois 12882135
dtype: int64
ما در خصوص نکات خاص پکیج Pandas در مبحث ایندکس کردن و slicing در بخش ایندکس کردن و انتخاب در صفحه 107 کتاب بحث می کنیم.
ساخت اشیاء Series
ما تاکنون چند روش برای ساخت اشیای Series از پکیج Pandas دیده ایم که همه آنها نسخه ای از عبارت کلی زیر بوده اند:
pd.Series(data, index=index)
که incde یک آرگومان اختیاری است و data میتواند از موجودیتهای بسیاری تشکیل شده باشد.
برای مثال data میتواند یک لیست پایتون یا یک آرایه Numpy باشد که در آن index بصورت پیش گزیده یک ترتیبی از اعد