इन्टरनेटमा आर वा पाइथन खोजी गर्दा, तपाईले लाखौं लेखहरू र डेटाको साथ काम गर्नको लागि अझ राम्रो, छिटो र अधिक सुविधाजनक विषयहरूमा छलफलहरूको किलोमिटर भेट्टाउनुहुनेछ। तर दुर्भाग्यवश, यी सबै लेख र विवादहरू विशेष उपयोगी छैनन्।

यस लेखको उद्देश्य दुवै भाषाहरूको सबैभन्दा लोकप्रिय प्याकेजहरूमा आधारभूत डेटा प्रशोधन प्रविधिहरू तुलना गर्नु हो। र पाठकहरूलाई उनीहरूलाई अझै थाहा नभएको कुरामा द्रुत रूपमा मास्टर गर्न मद्दत गर्नुहोस्। Python मा लेख्नेहरूका लागि, R मा उही कुरा कसरी गर्ने भनेर पत्ता लगाउनुहोस्, र यसको उल्टो।

लेखको बखत हामी R मा सबैभन्दा लोकप्रिय प्याकेजहरूको वाक्य रचनाको विश्लेषण गर्नेछौं। यी पुस्तकालयमा समावेश गरिएका प्याकेजहरू हुन्। tidyverseर प्याकेज पनि data.table। र तिनीहरूको वाक्य रचनासँग तुलना गर्नुहोस् pandas, Python मा सबैभन्दा लोकप्रिय डेटा विश्लेषण प्याकेज।

हामी पाइथन र आर प्रयोग गरी विश्लेषणात्मक सञ्झ्याल प्रकार्यहरू प्रदर्शन गर्नेदेखि डेटा विश्लेषणको सम्पूर्ण मार्गमा चरणबद्ध रूपमा जानेछौं।

सामग्रीहरू

यस लेखलाई धोखा पानाको रूपमा प्रयोग गर्न सकिन्छ यदि तपाईंले विचाराधीन प्याकेजहरू मध्ये कुनै एकमा डाटा प्रोसेसिंग अपरेशन कसरी गर्ने भनेर बिर्सनुभयो भने।

R र Python बीचको मुख्य वाक्यविन्यास भिन्नताहरू
1.1। प्याकेज प्रकार्यहरू पहुँच गर्दै
1.2। असाइनमेन्ट
1.3। अनुक्रमणिका
1.4। विधि र OOP
1.5। पाइपलाइनहरू
1.6। डाटा संरचना
हामीले प्रयोग गर्ने प्याकेजहरूको बारेमा केही शब्दहरू
2.1। व्यवस्थित
2.2। डाटा.टेबल
2.3। पाण्डा
प्याकेजहरू स्थापना गर्दै
डाटा लोड गर्दै
डाटाफ्रेमहरू सिर्जना गर्दै
तपाईलाई चाहिने स्तम्भहरू चयन गर्दै
पङ्क्तिहरू फिल्टर गर्दै
समूहीकरण र एकीकरण
टेबलहरूको ठाडो संघ (UNION)
तालिकाहरूको तेर्सो जोड्नुहोस् (JOIN)
आधारभूत सञ्झ्याल प्रकार्यहरू र गणना गरिएका स्तम्भहरू
R र Python मा डाटा प्रोसेसिङ विधिहरू बीच पत्राचार तालिका
निष्कर्षमा
तपाइँ कुन प्याकेज प्रयोग गर्नुहुन्छ भन्ने बारे छोटो सर्वेक्षण

यदि तपाइँ डेटा विश्लेषणमा रुचि राख्नुहुन्छ भने, तपाइँ मेरो फेला पार्न सक्नुहुन्छ टेलीग्राम и YouTube च्यानलहरू। अधिकांश सामग्री आर भाषामा समर्पित छ।

R र Python बीचको मुख्य वाक्यविन्यास भिन्नताहरू

तपाईलाई पाइथनबाट R मा स्विच गर्न सजिलो बनाउन, वा यसको विपरित, म केहि मुख्य बुँदाहरू दिनेछु जुन तपाईले ध्यान दिन आवश्यक छ।

प्याकेज प्रकार्यहरू पहुँच गर्दै

एकचोटि प्याकेज R मा लोड भएपछि, तपाईंले प्याकेजको कार्यहरू पहुँच गर्न प्याकेजको नाम निर्दिष्ट गर्न आवश्यक पर्दैन। धेरै जसो अवस्थामा यो R मा सामान्य छैन, तर यो स्वीकार्य छ। यदि तपाइँ तपाइँको कोडमा यसको कार्यहरू मध्ये कुनै एक चाहिन्छ भने तपाइँले प्याकेज आयात गर्नु पर्दैन, तर प्याकेजको नाम र प्रकार्यको नाम निर्दिष्ट गरेर यसलाई कल गर्नुहोस्। R मा प्याकेज र प्रकार्य नामहरू बीचको विभाजक डबल कोलोन हो। package_name::function_name().

Python मा, यसको विपरित, यसलाई स्पष्ट रूपमा नाम निर्दिष्ट गरेर प्याकेजको प्रकार्यहरू कल गर्न क्लासिक मानिन्छ। जब प्याकेज डाउनलोड गरिन्छ, यसलाई सामान्यतया छोटो नाम दिइन्छ, उदाहरणका लागि। pandas सामान्यतया छद्म नाम प्रयोग गरिन्छ pd। प्याकेज प्रकार्य डट मार्फत पहुँच गरिन्छ package_name.function_name().

असाइनमेन्ट

R मा, वस्तुमा मान तोक्न एरो प्रयोग गर्नु सामान्य छ। obj_name <- value, यद्यपि एकल बराबर चिन्हलाई अनुमति दिइएको छ, R मा एकल बराबर चिन्ह मुख्य रूपमा कार्य तर्कहरूमा मानहरू पास गर्न प्रयोग गरिन्छ।

पाइथनमा, असाइनमेन्ट विशेष रूपमा एकल बराबर चिन्हको साथ गरिन्छ obj_name = value.

अनुक्रमणिका

यहाँ पनि धेरै महत्त्वपूर्ण भिन्नताहरू छन्। R मा, अनुक्रमणिका एकबाट सुरु हुन्छ र परिणाम दायरामा सबै निर्दिष्ट तत्वहरू समावेश गर्दछ,

पाइथनमा, अनुक्रमणिका शून्यबाट सुरु हुन्छ र चयन गरिएको दायरामा अनुक्रमणिकामा निर्दिष्ट गरिएको अन्तिम तत्व समावेश हुँदैन। त्यसैले डिजाइन x[i:j] Python मा j तत्व समावेश गर्दैन।

त्यहाँ नकारात्मक अनुक्रमणिकामा पनि भिन्नताहरू छन्, आर नोटेशनमा x[-1] अन्तिम बाहेक भेक्टरका सबै तत्वहरू फर्काउनेछ। पाइथनमा, समान नोटेशनले अन्तिम तत्व मात्र फर्काउनेछ।

विधि र OOP

R ले OOP लाई आफ्नै तरिकामा लागू गर्दछ, मैले यस लेखमा लेखेको छु "R भाषामा OOP (भाग 1): S3 कक्षाहरू"। सामान्यतया, R एक कार्यात्मक भाषा हो, र यसमा सबै कुरा कार्यहरूमा निर्मित हुन्छ। त्यसकारण, उदाहरणका लागि, एक्सेल प्रयोगकर्ताहरूको लागि, जानुहोस् tydiverse यो भन्दा सजिलो हुनेछ pandas। यद्यपि यो मेरो व्यक्तिपरक विचार हुन सक्छ।

छोटकरीमा, R मा वस्तुहरूसँग विधिहरू छैनन् (यदि हामी S3 वर्गहरूको बारेमा कुरा गर्छौं, तर त्यहाँ अन्य OOP कार्यान्वयनहरू छन् जुन धेरै कम सामान्य छन्)। त्यहाँ केवल सामान्यीकृत प्रकार्यहरू छन् जुन वस्तुको वर्गको आधारमा फरक तरिकाले प्रशोधन गर्दछ।

पाइपलाइनहरू

सायद यो नाम को लागी हो pandas यो पूर्ण रूपमा सही हुनेछैन, तर म अर्थ व्याख्या गर्ने प्रयास गर्नेछु।

मध्यवर्ती गणनाहरू बचत गर्न र काम गर्ने वातावरणमा अनावश्यक वस्तुहरू उत्पादन नगर्नको लागि, तपाइँ एक प्रकारको पाइपलाइन प्रयोग गर्न सक्नुहुन्छ। ती। एक प्रकार्यबाट अर्कोमा गणनाको नतिजा पास गर्नुहोस्, र मध्यवर्ती परिणामहरू बचत नगर्नुहोस्।

निम्न कोड उदाहरण लिनुहोस्, जसमा हामी मध्यवर्ती गणनाहरू अलग वस्तुहरूमा भण्डार गर्छौं:

temp_object <- func1()
temp_object2 <- func2(temp_object )
obj <- func3(temp_object2 )

हामीले क्रमिक रूपमा 3 अपरेशनहरू प्रदर्शन गर्यौं, र प्रत्येकको नतिजा छुट्टै वस्तुमा सुरक्षित गरिएको थियो। तर वास्तवमा, हामीलाई यी मध्यवर्ती वस्तुहरू आवश्यक पर्दैन।

वा अझ नराम्रो, तर एक्सेल प्रयोगकर्ताहरूलाई बढी परिचित।

obj  <- func3(func2(func1()))

यस अवस्थामा, हामीले मध्यवर्ती गणना परिणामहरू बचत गरेनौं, तर नेस्टेड प्रकार्यहरूसँग कोड पढ्न धेरै असुविधाजनक छ।

हामी R मा डेटा प्रशोधन गर्न धेरै दृष्टिकोणहरू हेर्नेछौं, र तिनीहरूले विभिन्न तरिकामा समान कार्यहरू प्रदर्शन गर्छन्।

पुस्तकालयमा पाइपलाइनहरू tidyverse अपरेटर द्वारा लागू %>%.

obj <- func1() %>% 
            func2() %>%
            func3()

यसरी हामीले कामको नतिजा लिन्छौं func1() र यसलाई पहिलो तर्कको रूपमा पास गर्नुहोस् func2(), त्यसपछि हामी यो गणनाको नतिजालाई पहिलो तर्कको रूपमा पास गर्छौं func3()। र अन्तमा, हामी वस्तुमा प्रदर्शन गरिएका सबै गणनाहरू लेख्छौं obj <-.

माथिका सबै यस मेमद्वारा शब्दहरू भन्दा राम्रो चित्रण गरिएको छ:

В data.table चेनहरू समान रूपमा प्रयोग गरिन्छ।

newDT <- DT[where, select|update|do, by][where, select|update|do, by][where, select|update|do, by]

प्रत्येक वर्ग कोष्ठकमा तपाईले अघिल्लो अपरेशनको नतिजा प्रयोग गर्न सक्नुहुन्छ।

В pandas त्यस्ता अपरेसनहरू डटद्वारा विभाजित हुन्छन्।

obj = df.fun1().fun2().fun3()

ती। हामी हाम्रो टेबल लिन्छौं df र उनको विधि प्रयोग गर्नुहोस् fun1(), त्यसपछि हामी प्राप्त नतिजामा विधि लागू गर्छौं fun2()पछि fun3()। नतिजा एक वस्तु मा बचत गरिएको छ obj .

डाटा संरचना

R र Python मा डेटा संरचनाहरू समान छन्, तर फरक नामहरू छन्।

विवरण
नाममा आर
Python/pandas मा नाम

तालिका संरचना
data.frame, data.table, tibble
डाटाफ्रेम

मानहरूको एक-आयामी सूची
भेक्टर
पाण्डामा श्रृंखला वा शुद्ध पाइथनमा सूची

बहु-स्तरीय गैर-तालिका संरचना
सूची
शब्दकोश (डिक्ट)

हामी तल सिन्ट्याक्समा केही अन्य सुविधाहरू र भिन्नताहरू हेर्नेछौं।

हामीले प्रयोग गर्ने प्याकेजहरूको बारेमा केही शब्दहरू

पहिले, म तपाईंलाई प्याकेजहरूको बारेमा थोरै बताउनेछु जुन तपाईं यस लेखको बखत परिचित हुनुहुनेछ।

व्यवस्थित

आधिकारिक वेबसाइट: tidyverse.org

पुस्तकालय tidyverse हेडले विकहम, RStudio मा वरिष्ठ अनुसन्धान वैज्ञानिक द्वारा लिखित। tidyverse डेटा प्रशोधनलाई सरल बनाउने प्याकेजहरूको प्रभावशाली सेट समावेश गर्दछ, जसमध्ये 5 CRAN भण्डारबाट शीर्ष 10 डाउनलोडहरूमा समावेश छन्।

पुस्तकालयको कोरमा निम्न प्याकेजहरू हुन्छन्: ggplot2, dplyr, tidyr, readr, purrr, tibble, stringr, forcats। यी प्याकेजहरू मध्ये प्रत्येक एक विशेष समस्या समाधान गर्न उद्देश्य छ। उदाहरणका लागि dplyr डाटा हेरफेर को लागी बनाईएको, tidyr डाटालाई सफा फारममा ल्याउन, stringr स्ट्रिङहरूसँग काम गर्न सजिलो बनाउँछ, र ggplot2 सबैभन्दा लोकप्रिय डेटा दृश्य उपकरण मध्ये एक हो।

फाइदा tidyverse सरलता र सिन्ट्याक्स पढ्न सजिलो छ, जुन धेरै तरिकामा SQL क्वेरी भाषा जस्तै छ।

डाटा.टेबल

आधिकारिक वेबसाइट: r-datatable.com

द्वारा data.table H2O.ai को म्याट डोल हो।

पुस्तकालय को पहिलो विमोचन 2006 मा भएको थियो।

प्याकेज सिन्ट्याक्स भित्र जस्तो सुविधाजनक छैन tidyverse र R मा क्लासिक डेटाफ्रेमहरूको सम्झना दिलाउने छ, तर एकै समयमा कार्यक्षमतामा उल्लेखनीय रूपमा विस्तार गरिएको छ।

यस प्याकेजमा भएको तालिकासँग भएका सबै हेरफेरहरू वर्गाकार कोष्ठकमा वर्णन गरिएका छन्, र यदि तपाईंले वाक्यविन्यास अनुवाद गर्नुभयो भने data.table SQL मा, तपाईंले यो जस्तै केहि पाउनुभयो: data.table[ WHERE, SELECT, GROUP BY ]

यस प्याकेजको बल ठूलो मात्रामा डाटा प्रशोधन गर्ने गति हो।

पाण्डा

आधिकारिक वेबसाइट: pandas.pydata.org

पुस्तकालयको नाम इकोनोमेट्रिक शब्द "प्यानल डेटा" बाट आएको हो, जानकारीको बहुआयामिक संरचित सेटहरू वर्णन गर्न प्रयोग गरिन्छ।

द्वारा pandas अमेरिकी Wes McKinney हुनुहुन्छ।

जब यो पाइथन मा डेटा विश्लेषण को लागी आउँछ, बराबर pandas छैन। एक धेरै बहु-कार्यात्मक, उच्च-स्तर प्याकेज जसले तपाईंलाई कुनै पनि स्रोतबाट डेटा लोड गर्ने देखि यसलाई कल्पना गर्न डेटासँग कुनै पनि हेरफेर गर्न अनुमति दिन्छ।

थप प्याकेजहरू स्थापना गर्दै

यस लेखमा छलफल गरिएका प्याकेजहरू आधारभूत R र Python वितरणहरूमा समावेश गरिएका छैनन्। यद्यपि त्यहाँ एउटा सानो चेतावनी छ, यदि तपाईंले Anaconda वितरण स्थापना गर्नुभयो भने, त्यसपछि थप स्थापना गर्नुहोस् pandas आवश्यक छैन।

R मा प्याकेजहरू स्थापना गर्दै

यदि तपाइँले कम्तिमा एक पटक RStudio विकास वातावरण खोल्नु भएको छ भने, तपाइँलाई R मा आवश्यक प्याकेज कसरी स्थापना गर्ने भनेर पहिले नै थाहा छ। प्याकेजहरू स्थापना गर्न, मानक आदेश प्रयोग गर्नुहोस्। install.packages() यसलाई सीधा आर मा चलाएर।

# установка пакетов
install.packages("vroom")
install.packages("readr")
install.packages("dplyr")
install.packages("data.table")

स्थापना पछि, प्याकेजहरू जडान गर्न आवश्यक छ, जसको लागि धेरै अवस्थामा आदेश प्रयोग गरिन्छ library().

# подключение или импорт пакетов в рабочее окружение
library(vroom)
library(readr)
library(dplyr)
library(data.table)

पाइथनमा प्याकेजहरू स्थापना गर्दै

त्यसोभए, यदि तपाइँसँग शुद्ध पाइथन स्थापित छ भने, त्यसपछि pandas तपाईंले यसलाई म्यानुअल रूपमा स्थापना गर्न आवश्यक छ। तपाईको अपरेटिङ सिस्टमको आधारमा कमांड लाइन, वा टर्मिनल खोल्नुहोस् र निम्न आदेश प्रविष्ट गर्नुहोस्।

pip install pandas

त्यसपछि हामी पाइथनमा फर्कन्छौं र आदेशको साथ स्थापित प्याकेज आयात गर्छौं import.

import pandas as pd

डाटा लोड गर्दै

डाटा खनन डाटा विश्लेषणमा सबैभन्दा महत्त्वपूर्ण चरणहरू मध्ये एक हो। दुबै पाइथन र आर, यदि चाहानुहुन्छ भने, तपाईंलाई कुनै पनि स्रोतबाट डाटा प्राप्त गर्ने व्यापक अवसरहरू प्रदान गर्दछ: स्थानीय फाइलहरू, इन्टरनेटबाट फाइलहरू, वेबसाइटहरू, सबै प्रकारका डाटाबेसहरू।

लेखमा हामी धेरै डेटासेटहरू प्रयोग गर्नेछौं:

गुगल एनालिटिक्सबाट दुई डाउनलोडहरू।
टाइटानिक यात्री डाटासेट।

सबै डाटा मेरो मा छ GitHub csv र tsv फाइलहरूको रूपमा। हामी तिनीहरूलाई कहाँबाट अनुरोध गर्नेछौं?

R मा डेटा लोड गर्दै: tidyverse, vroom, readr

पुस्तकालयमा डाटा लोड गर्न tidyverse त्यहाँ दुई प्याकेजहरू छन्: vroom, readr. vroom थप आधुनिक, तर भविष्यमा प्याकेजहरू संयुक्त हुन सक्छ।

बाट उद्धरण आधिकारिक दस्तावेज vroom.

vroom बनाम पाठक
के रिलीज गर्छ vroom लागि मतलब readr? अहिलेको लागि हामी दुई प्याकेजहरू अलग-अलग विकसित गर्न दिने योजना गर्छौं, तर सम्भवतः हामी भविष्यमा प्याकेजहरू एकजुट गर्नेछौं। Vroom को अल्छी पढाइको एक हानि भनेको निश्चित डेटा समस्याहरू अगाडि रिपोर्ट गर्न सकिँदैन, त्यसैले तिनीहरूलाई कसरी एकताबद्ध गर्न केही सोच आवश्यक छ।

vroom बनाम पाठक
रिलिजको अर्थ के हो? vroom लागि readr? अहिले हामी दुबै प्याकेजहरू छुट्टाछुट्टै विकास गर्ने योजनामा छौं, तर हामी तिनीहरूलाई भविष्यमा संयोजन गर्नेछौं। अल्छी पढ्ने हानि मध्ये एक vroom यो हो कि केहि डेटा समस्याहरू अग्रिम रिपोर्ट गर्न सकिँदैन, त्यसैले तपाईंले तिनीहरूलाई कसरी संयोजन गर्ने भन्ने बारे सोच्न आवश्यक छ।

यस लेखमा हामी दुबै डाटा लोडिङ प्याकेजहरू हेर्नेछौं:

R: vroom प्याकेजमा डाटा लोड गर्दै

# install.packages("vroom")
library(vroom)

# Чтение данных
## vroom
ga_nov  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

R: readr मा डाटा लोड गर्दै

# install.packages("readr")
library(readr)

# Чтение данных
## readr
ga_nov  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

प्याकेज मा vroom, csv / tsv डाटा ढाँचाको पर्वाह नगरी, लोडिङ एउटै नामको प्रकार्यद्वारा गरिन्छ। vroom(), प्याकेजमा readr हामी प्रत्येक ढाँचाको लागि फरक प्रकार्य प्रयोग गर्दछौं read_tsv() и read_csv().

R: data.table मा डाटा लोड गर्दै

В data.table डाटा लोड गर्न को लागी एक प्रकार्य छ fread().

R: data.table प्याकेजमा डाटा लोड गर्दै

# install.packages("data.table")
library(data.table)

## data.table
ga_nov  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

Python मा डेटा लोड गर्दै: pandas

यदि हामी R प्याकेजहरूसँग तुलना गर्छौं भने, यस अवस्थामा सिन्ट्याक्स सबैभन्दा नजिक छ pandas हुनेछ readr, किनभने pandas जहाँबाट पनि डाटा अनुरोध गर्न सक्छ, र यस प्याकेजमा कार्यहरूको सम्पूर्ण परिवार छ read_*().

read_csv()
read_excel()
read_sql()
read_json()
read_html()

र धेरै अन्य प्रकार्यहरू विभिन्न ढाँचाहरूबाट डाटा पढ्न डिजाइन गरिएको। तर हाम्रो उद्देश्यका लागि यो पर्याप्त छ read_table() वा read_csv() तर्क प्रयोग गर्दै सेप्टेम्बर स्तम्भ विभाजक निर्दिष्ट गर्न।

Python मा डेटा लोड गर्दै: pandas

import pandas as pd

ga_nov  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_nowember.csv", sep = "t")
ga_dec  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_december.csv", sep = "t")
titanic = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/titanic.csv")

डाटाफ्रेमहरू सिर्जना गर्दै

तालिका टाइटैनिक, जुन हामीले लोड गर्यौं, त्यहाँ एउटा फिल्ड छ सेक्स, जसले यात्रुको लिंग पहिचानकर्ता भण्डारण गर्छ।

तर यात्रु लिंगको सर्तमा डाटाको थप सुविधाजनक प्रस्तुतिको लागि, तपाईंले लिङ्ग कोडको सट्टा नाम प्रयोग गर्नुपर्छ।

यो गर्नको लागि, हामी एउटा सानो डाइरेक्टरी सिर्जना गर्नेछौं, एउटा तालिका जसमा क्रमशः 2 वटा स्तम्भहरू (कोड र लिङ्ग नाम) र 2 पङ्क्तिहरू हुनेछन्।

R मा डाटाफ्रेम सिर्जना गर्दै: tidyverse, dplyr

तलको कोड उदाहरणमा, हामी प्रकार्य प्रयोग गरेर इच्छित डाटाफ्रेम सिर्जना गर्छौं tibble() .

R: dplyr मा डाटाफ्रेम सिर्जना गर्दै

## dplyr
### создаём справочник
gender <- tibble(id = c(1, 2),
                 gender = c("female", "male"))

R: data.table मा डाटाफ्रेम सिर्जना गर्दै

R: data.table मा डाटाफ्रेम सिर्जना गर्दै

## data.table
### создаём справочник
gender <- data.table(id = c(1, 2),
                    gender = c("female", "male"))

Python: pandas मा डाटाफ्रेम सिर्जना गर्दै

В pandas फ्रेमहरूको सिर्जना धेरै चरणहरूमा गरिन्छ, पहिले हामी शब्दकोश बनाउँछौं, र त्यसपछि हामी शब्दकोशलाई डेटाफ्रेममा रूपान्तरण गर्छौं।

Python: pandas मा डाटाफ्रेम सिर्जना गर्दै

# создаём дата фрейм
gender_dict = {'id': [1, 2],
               'gender': ["female", "male"]}
# преобразуем словарь в датафрейм
gender = pd.DataFrame.from_dict(gender_dict)

स्तम्भहरू चयन गर्दै

तपाईंले काम गर्ने तालिकाहरूमा दर्जनौं वा सयौं स्तम्भहरू डेटा समावेश हुन सक्छन्। तर विश्लेषण गर्न, नियमको रूपमा, तपाईंलाई स्रोत तालिकामा उपलब्ध सबै स्तम्भहरू आवश्यक पर्दैन।

तसर्थ, तपाईंले स्रोत तालिकासँग गर्ने पहिलो अपरेसनहरू मध्ये एउटा अनावश्यक जानकारी हटाउनु र यो जानकारी ओगटेको मेमोरी खाली गर्नु हो।

R मा स्तम्भहरू चयन गर्दै: tidyverse, dplyr

विन्यास dplyr SQL क्वेरी भाषासँग धेरै मिल्दोजुल्दो छ, यदि तपाईं यससँग परिचित हुनुहुन्छ भने तपाईंले यो प्याकेजलाई छिट्टै मास्टर गर्नुहुनेछ।

स्तम्भहरू चयन गर्न, प्रकार्य प्रयोग गर्नुहोस् select().

तल कोडका उदाहरणहरू छन् जसको साथ तपाईं निम्न तरिकाहरूमा स्तम्भहरू चयन गर्न सक्नुहुन्छ:

आवश्यक स्तम्भहरूको नामहरू सूचीबद्ध गर्दै
नियमित अभिव्यक्ति प्रयोग गरेर स्तम्भ नामहरू सन्दर्भ गर्नुहोस्
डाटा प्रकार वा स्तम्भमा समावेश डाटा को कुनै अन्य गुण द्वारा

R: dplyr मा स्तम्भहरू चयन गर्दै

# Выбор нужных столбцов
## dplyr
### выбрать по названию столбцов
select(ga_nov, date, source, sessions)
### исключь по названию столбцов
select(ga_nov, -medium, -bounces)
### выбрать по регулярному выражению, стобцы имена которых заканчиваются на s
select(ga_nov, matches("s$"))
### выбрать по условию, выбираем только целочисленные столбцы
select_if(ga_nov, is.integer)

R: data.table मा स्तम्भहरू चयन गर्दै

मा उस्तै कार्यहरू data.table थोरै फरक तरिकाले प्रदर्शन गरिन्छ, लेखको सुरुमा मैले वर्ग कोष्ठक भित्र के तर्कहरू छन् भन्ने विवरण प्रदान गरेको छु। data.table.

DT[i,j,by]

कहां
i - कहाँ, i.e. पङ्क्तिहरू द्वारा फिल्टर गर्दै
j - चयन गर्नुहोस्|अपडेट गर्नुहोस्|गर्नुहोस्, अर्थात् स्तम्भहरू चयन र तिनीहरूलाई रूपान्तरण
द्वारा - डाटा समूह

R: data.table मा स्तम्भहरू चयन गर्दै

## data.table
### выбрать по названию столбцов
ga_nov[ , .(date, source, sessions) ]
### исключь по названию столбцов
ga_nov[ , .SD, .SDcols = ! names(ga_nov) %like% "medium|bounces" ]
### выбрать по регулярному выражению
ga_nov[, .SD, .SDcols = patterns("s$")]

परिवर्तनशील .SD तपाईंलाई सबै स्तम्भहरू पहुँच गर्न अनुमति दिन्छ, र .SDcols नियमित अभिव्यक्तिहरू प्रयोग गरेर आवश्यक स्तम्भहरू फिल्टर गर्नुहोस्, वा तपाईंलाई आवश्यक स्तम्भहरूको नामहरू फिल्टर गर्न अन्य प्रकार्यहरू।

Python, pandas मा स्तम्भहरू चयन गर्दै

मा नाम द्वारा स्तम्भहरू चयन गर्न pandas तिनीहरूको नामहरूको सूची प्रदान गर्न पर्याप्त छ। र नियमित अभिव्यक्ति प्रयोग गरेर नामद्वारा स्तम्भहरू चयन वा बहिष्कार गर्न, तपाईंले प्रकार्यहरू प्रयोग गर्न आवश्यक छ drop() и filter(), र तर्क अक्ष = 1, जसको साथ तपाईले पङ्क्तिहरू भन्दा स्तम्भहरू प्रशोधन गर्न आवश्यक छ भनेर संकेत गर्नुहुन्छ।

डाटा प्रकार द्वारा फिल्ड चयन गर्न, प्रकार्य प्रयोग गर्नुहोस् select_dtypes()र तर्कहरूमा समावेश वा बहिष्कार गर्नुहोस् तपाईले छान्नु पर्ने क्षेत्रहरूसँग सम्बन्धित डेटा प्रकारहरूको सूची पास गर्नुहोस्।

Python: pandas मा स्तम्भहरू चयन गर्दै

# Выбор полей по названию
ga_nov[['date', 'source', 'sessions']]
# Исключить по названию
ga_nov.drop(['medium', 'bounces'], axis=1)
# Выбрать по регулярному выражению
ga_nov.filter(regex="s$", axis=1)
# Выбрать числовые поля
ga_nov.select_dtypes(include=['number'])
# Выбрать текстовые поля
ga_nov.select_dtypes(include=['object'])

पङ्क्तिहरू फिल्टर गर्दै

उदाहरणका लागि, स्रोत तालिकामा धेरै वर्षको डाटा समावेश हुन सक्छ, तर तपाईंले अन्तिम महिना मात्र विश्लेषण गर्न आवश्यक छ। फेरि, अतिरिक्त लाइनहरूले डेटा प्रशोधन प्रक्रियालाई ढिलो गर्नेछ र पीसी मेमोरीलाई बन्द गर्नेछ।

R मा पङ्क्तिहरू फिल्टर गर्दै: tydyverse, dplyr

В dplyr प्रकार्य पङ्क्तिहरू फिल्टर गर्न प्रयोग गरिन्छ filter()। यसले पहिलो तर्कको रूपमा डेटाफ्रेम लिन्छ, त्यसपछि तपाइँ फिल्टरिङ सर्तहरू सूचीबद्ध गर्नुहुन्छ।

तालिका फिल्टर गर्न तार्किक अभिव्यक्तिहरू लेख्दा, यस अवस्थामा, उद्धरणहरू बिना र तालिका नाम घोषणा नगरी स्तम्भ नामहरू निर्दिष्ट गर्नुहोस्।

फिल्टर गर्न धेरै तार्किक अभिव्यक्तिहरू प्रयोग गर्दा, निम्न अपरेटरहरू प्रयोग गर्नुहोस्:

& वा अल्पविराम - तार्किक AND
| - तार्किक वा

R मा पङ्क्तिहरू फिल्टर गर्दै: dplyr

# фильтрация строк
## dplyr
### фильтрация строк по одному условию
filter(ga_nov, source == "google")
### фильтр по двум условиям соединённым логическим и
filter(ga_nov, source == "google" & sessions >= 10)
### фильтр по двум условиям соединённым логическим или
filter(ga_nov, source == "google" | sessions >= 10)

R मा पङ्क्तिहरू फिल्टर गर्दै: data.table

मैले पहिले नै माथि लेखेको जस्तै, मा data.table डेटा रूपान्तरण सिन्ट्याक्स वर्ग कोष्ठकमा संलग्न छ।

DT[i,j,by]

पङ्क्तिहरू फिल्टर गर्न तर्क प्रयोग गरिन्छ i, जसको वर्ग कोष्ठकमा पहिलो स्थान छ।

स्तम्भहरू उद्धरण चिन्हहरू बिना र तालिका नाम निर्दिष्ट नगरी तार्किक अभिव्यक्तिहरूमा पहुँच गरिन्छ।

तार्किक अभिव्यक्तिहरू एकअर्कासँग समान रूपमा सम्बन्धित छन् dplyr & र | अपरेटरहरू मार्फत।

R मा पङ्क्तिहरू फिल्टर गर्दै: data.table

## data.table
### фильтрация строк по одному условию
ga_nov[source == "google"]
### фильтр по двум условиям соединённым логическим и
ga_nov[source == "google" & sessions >= 10]
### фильтр по двум условиям соединённым логическим или
ga_nov[source == "google" | sessions >= 10]

Python मा फिल्टरिङ तार: pandas

भित्र पङ्क्तिहरू द्वारा फिल्टर गर्नुहोस् pandas मा फिल्टरिङ जस्तै data.table, र वर्ग कोष्ठक मा गरिन्छ।

यस अवस्थामा, स्तम्भहरूमा पहुँच आवश्यक रूपमा डाटाफ्रेमको नाम संकेत गरेर गरिन्छ; त्यसपछि स्तम्भको नाम वर्ग कोष्ठकमा उद्धरण चिन्हहरूमा पनि संकेत गर्न सकिन्छ (एक उदाहरण df['col_name']), वा अवधि पछि उद्धरण बिना (एक उदाहरण df.col_name).

यदि तपाईंलाई धेरै सर्तहरूद्वारा डाटाफ्रेम फिल्टर गर्न आवश्यक छ भने, प्रत्येक अवस्था कोष्ठकहरूमा राखिएको हुनुपर्छ। तार्किक अवस्थाहरू अपरेटरहरू द्वारा एकअर्कासँग जोडिएका छन् & и |.

Python मा फिल्टरिङ तार: pandas

# Фильтрация строк таблицы
### фильтрация строк по одному условию
ga_nov[ ga_nov['source'] == "google" ]
### фильтр по двум условиям соединённым логическим и
ga_nov[(ga_nov['source'] == "google") & (ga_nov['sessions'] >= 10)]
### фильтр по двум условиям соединённым логическим или
ga_nov[(ga_nov['source'] == "google") | (ga_nov['sessions'] >= 10)]

डेटाको समूहीकरण र एकत्रीकरण

डाटा विश्लेषणमा सबैभन्दा धेरै प्रयोग हुने अपरेसनहरू मध्ये एक समूह र एकीकरण हो।

यी कार्यहरू गर्नका लागि सिन्ट्याक्स हामीले समीक्षा गर्ने सबै प्याकेजहरूमा छरिएको छ।

यस अवस्थामा, हामी उदाहरणको रूपमा डाटाफ्रेम लिनेछौं टाइटैनिक, र केबिन वर्गको आधारमा टिकटहरूको संख्या र औसत लागत गणना गर्नुहोस्।

R मा डेटाको समूहीकरण र एकत्रीकरण: tidyverse, dplyr

В dplyr प्रकार्य समूहीकरणको लागि प्रयोग गरिन्छ group_by(), र एकत्रीकरण को लागी summarise()। वास्तबमा, dplyr त्यहाँ कार्यहरूको सम्पूर्ण परिवार छ summarise_*(), तर यस लेखको उद्देश्य आधारभूत वाक्यविन्यास तुलना गर्नु हो, त्यसैले हामी त्यस्तो जंगलमा जानेछैनौं।

आधारभूत एकत्रीकरण कार्यहरू:

sum() - योगफल
min() / max() - न्यूनतम र अधिकतम मूल्य
mean() - औसत
median() - मध्य
length() - मात्रा

R: dplyr मा समूहीकरण र एकत्रीकरण

## dplyr
### группировка и агрегация строк
group_by(titanic, Pclass) %>%
  summarise(passangers = length(PassengerId),
            avg_price  = mean(Fare))

कार्य गर्न group_by() हामीले पहिलो तर्कको रूपमा तालिका पार गर्यौं टाइटैनिक, र त्यसपछि क्षेत्र संकेत गरे Pclass, जसद्वारा हामी हाम्रो तालिका समूहबद्ध गर्नेछौं। अपरेटर प्रयोग गरेर यो सञ्चालनको परिणाम %>% समारोहमा पहिलो तर्कको रूपमा पारित गरियो summarise(), र थप २ क्षेत्रहरू थपियो: यात्रुहरू и औसत_मूल्य। पहिलोमा, प्रकार्य प्रयोग गर्दै length() टिकट संख्या गणना, र दोस्रो समारोह प्रयोग गरेर mean() औसत टिकट मूल्य प्राप्त भयो।

R: data.table मा डेटाको समूहीकरण र एकत्रीकरण

В data.table तर्क एकीकरण को लागी प्रयोग गरिन्छ j जो वर्ग कोष्ठक मा दोस्रो स्थान छ, र समूहीकरण को लागी by वा keybyजुन तेस्रो स्थानमा छ।

यस मामला मा एकत्रीकरण कार्यहरु को सूची मा वर्णन गरिएको समान छ dplyr, किनभने यी आधारभूत आर सिन्ट्याक्सका कार्यहरू हुन्।

R: data.table मा समूहीकरण र एकत्रीकरण

## data.table
### фильтрация строк по одному условию
titanic[, .(passangers = length(PassengerId),
            avg_price  = mean(Fare)),
        by = Pclass]

पाइथनमा डेटाको समूहीकरण र एकत्रीकरण: पाण्डा

समूहबद्ध गर्दै pandas जस्तै dplyr, तर एकत्रीकरण समान छैन dplyr मा छैन data.table.

समूह गर्न, विधि प्रयोग गर्नुहोस् groupby(), जसमा तपाईले स्तम्भहरूको सूची पास गर्न आवश्यक छ जसद्वारा डेटाफ्रेम समूहबद्ध गरिनेछ।

एकीकरण को लागी, तपाईं विधि प्रयोग गर्न सक्नुहुन्छ agg()जसले शब्दकोश स्वीकार गर्दछ। शब्दकोश कुञ्जीहरू स्तम्भहरू हुन् जसमा तपाईंले एग्रीगेसन प्रकार्यहरू लागू गर्नुहुनेछ, र मानहरू एग्रीगेसन प्रकार्यहरूको नामहरू हुन्।

एकत्रीकरण कार्यहरू:

sum() - योगफल
min() / max() - न्यूनतम र अधिकतम मूल्य
mean() - औसत
median() - मध्य
count() - मात्रा

समारोह reset_index() तलको उदाहरणमा यो नेस्टेड अनुक्रमणिकाहरू रिसेट गर्न प्रयोग गरिन्छ pandas डेटा एकत्रीकरण पछि पूर्वनिर्धारित।

प्रतीक तपाईंलाई अर्को लाइनमा सार्न अनुमति दिन्छ।

Python मा समूहीकरण र एकीकरण: पाण्डा

# группировка и агрегация данных
titanic.groupby(["Pclass"]).
    agg({'PassengerId': 'count', 'Fare': 'mean'}).
        reset_index()

टेबलहरूको ठाडो जोड

एउटा अपरेसन जसमा तपाइँ एउटै संरचनाको दुई वा बढी तालिकाहरू सामेल गर्नुहुन्छ। हामीले लोड गरेको डेटामा तालिकाहरू छन् ga_nov и ga_dec। यी तालिकाहरू संरचनामा समान छन्, अर्थात्। उस्तै स्तम्भहरू छन्, र यी स्तम्भहरूमा डेटा प्रकारहरू छन्।

यो नोभेम्बर र डिसेम्बर महिनाको लागि गुगल एनालिटिक्सबाट अपलोड हो, यस खण्डमा हामी यो डेटालाई एउटा तालिकामा जोड्नेछौं।

ठाडो रूपमा R मा तालिकाहरू जोड्दै: tidyverse, dplyr

В dplyr तपाईं प्रकार्य प्रयोग गरेर 2 तालिकाहरू संयोजन गर्न सक्नुहुन्छ bind_rows(), यसको तर्कको रूपमा तालिकाहरू पास गर्दै।

R मा पङ्क्तिहरू फिल्टर गर्दै: dplyr

# Вертикальное объединение таблиц
## dplyr
bind_rows(ga_nov, ga_dec)

R: data.table मा ठाडो रूपमा जोडिने तालिकाहरू

यो पनि केहि जटिल छैन, प्रयोग गरौं rbind().

R मा पङ्क्तिहरू फिल्टर गर्दै: data.table

## data.table
rbind(ga_nov, ga_dec)

Python: pandas मा ठाडो रूपमा सामेल हुने तालिकाहरू

В pandas प्रकार्य तालिकाहरू जोड्न प्रयोग गरिन्छ concat(), जसमा तपाईंले तिनीहरूलाई संयोजन गर्न फ्रेमहरूको सूची पास गर्न आवश्यक छ।

Python मा फिल्टरिङ तार: pandas

# вертикальное объединение таблиц
pd.concat([ga_nov, ga_dec])

तालिकाहरूको तेर्सो जोड

एउटा अपरेशन जसमा दोस्रोबाट स्तम्भहरू कुञ्जीद्वारा पहिलो तालिकामा थपिन्छन्। तथ्याङ्क तालिका (उदाहरणका लागि, बिक्री डेटासहितको तालिका) केही सन्दर्भ डेटा (उदाहरणका लागि, उत्पादनको लागत) लाई समृद्ध गर्दा यो प्रायः प्रयोग गरिन्छ।

त्यहाँ धेरै प्रकारका जोडहरू छन्:

पहिले लोड गरिएको तालिकामा टाइटैनिक हामीसँग स्तम्भ छ सेक्स, जुन यात्रुको लिङ्ग कोडसँग मेल खान्छ:

१ - महिला
2 - पुरुष

साथै, हामीले एउटा तालिका - सन्दर्भ पुस्तक सिर्जना गरेका छौं लिङ्ग। यात्रुहरूको लिङ्गमा डाटाको थप सुविधाजनक प्रस्तुतीकरणको लागि, हामीले डाइरेक्टरीबाट लिङ्गको नाम थप्न आवश्यक छ। लिङ्ग टेबलमा टाइटैनिक.

तेर्सो तालिका R मा जोड्नुहोस्: tidyverse, dplyr

В dplyr तेर्सो जोड्नका लागि कार्यहरूको सम्पूर्ण परिवार छ:

inner_join()
left_join()
right_join()
full_join()
semi_join()
nest_join()
anti_join()

मेरो अभ्यासमा सबैभन्दा धेरै प्रयोग गरिन्छ left_join().

पहिलो दुई तर्कको रूपमा, माथि सूचीबद्ध प्रकार्यहरूले सामेल हुन दुईवटा तालिकाहरू लिन्छन्, र तेस्रो तर्कको रूपमा by तपाईंले सामेल हुन स्तम्भहरू निर्दिष्ट गर्नुपर्छ।

तेर्सो तालिका R: dplyr मा जोड्नुहोस्

# объединяем таблицы
left_join(titanic, gender,
          by = c("Sex" = "id"))

R: data.table मा तालिकाहरूको तेर्सो जोड्नुहोस्

В data.table तपाईंले प्रकार्य प्रयोग गरेर कुञ्जीद्वारा तालिकाहरू जोड्न आवश्यक छ merge().

data.table मा मर्ज() प्रकार्य गर्न आर्गुमेन्टहरू

x, y — सामेल हुनका लागि तालिकाहरू
द्वारा — स्तम्भ जो सामेल हुन कुञ्जी हो यदि यसको दुबै तालिकाहरूमा एउटै नाम छ
by.x, by.y — मर्ज गरिने स्तम्भहरूको नाम, यदि तिनीहरूको तालिकामा फरक नामहरू छन् भने
all, all.x, all.y — Join type, all ले दुबै टेबलबाट सबै पङ्क्तिहरू फर्काउनेछ, all.x लेफ्ट JOIN सञ्चालनसँग मेल खान्छ (पहिलो तालिकाका सबै पङ्क्तिहरू छोड्नेछ), all.y — सँग मेल खान्छ। दायाँ सम्मिलित अपरेशन (दोस्रो तालिकाको सबै पङ्क्तिहरू छोड्नेछ)।

R: data.table मा तालिकाहरूको तेर्सो जोड्नुहोस्

# объединяем таблицы
merge(titanic, gender, by.x = "Sex", by.y = "id", all.x = T)

तेर्सो तालिका Python: pandas मा जोडिन्छ

साथै मा data.tableभित्र pandas प्रकार्य तालिकाहरू जोड्न प्रयोग गरिन्छ merge().

पाण्डामा मर्ज() प्रकार्यका तर्कहरू

कसरी - जडान प्रकार: बाँया, दायाँ, बाहिरी, भित्री
on — स्तम्भ जुन कुञ्जी हो यदि यसको दुबै तालिकाहरूमा एउटै नाम छ
left_on, right_on — कुञ्जी स्तम्भहरूको नामहरू, यदि तिनीहरूको तालिकाहरूमा फरक नामहरू छन्

तेर्सो तालिका Python: pandas मा जोडिन्छ

# объединяем по ключу
titanic.merge(gender, how = "left", left_on = "Sex", right_on = "id")

आधारभूत सञ्झ्याल प्रकार्यहरू र गणना गरिएका स्तम्भहरू

सञ्झ्याल प्रकार्यहरू एग्रीगेशन प्रकार्यहरूको अर्थमा समान छन्, र प्रायः डाटा विश्लेषणमा पनि प्रयोग गरिन्छ। तर एग्रीगेसन प्रकार्यहरूको विपरीत, सञ्झ्याल प्रकार्यहरूले बाहिर जाने डाटाफ्रेमको पङ्क्तिहरूको संख्या परिवर्तन गर्दैन।

अनिवार्य रूपमा, सञ्झ्याल प्रकार्य प्रयोग गरेर, हामीले आगमन डेटाफ्रेमलाई केही मापदण्ड अनुसार भागहरूमा विभाजन गर्छौं, अर्थात्। एक क्षेत्र, वा धेरै क्षेत्र को मान द्वारा। र हामी प्रत्येक सञ्झ्यालमा अंकगणितीय कार्यहरू गर्छौं। यी कार्यहरूको नतिजा प्रत्येक लाइनमा फर्काइनेछ, अर्थात्। तालिकामा पङ्क्तिहरूको कुल संख्या परिवर्तन नगरी।

उदाहरणका लागि, तालिका लिनुहोस् टाइटैनिक। हामी गणना गर्न सक्छौं कि प्रत्येक टिकटको लागत कति प्रतिशत यसको क्याबिन वर्ग भित्र थियो।

यो गर्नको लागि, हामीले प्रत्येक लाइनमा हालको केबिन वर्गको टिकटको कुल लागत प्राप्त गर्न आवश्यक छ जुन यस लाइनको टिकट हो, त्यसपछि प्रत्येक टिकटको मूल्यलाई एउटै क्याबिन कक्षाको सबै टिकटहरूको कुल लागतले विभाजन गर्नुहोस्। ।

R मा सञ्झ्याल प्रकार्यहरू: tidyverse, dplyr

पङ्क्ति समूहीकरण प्रयोग नगरी नयाँ स्तम्भहरू थप्न, मा dplyr कार्य गर्दछ mutate().

तपाईंले फिल्ड अनुसार डेटा समूहबद्ध गरेर माथि वर्णन गरिएको समस्या समाधान गर्न सक्नुहुन्छ Pclass र फिल्डलाई नयाँ स्तम्भमा संक्षेप गर्दै भाडा। अर्को, तालिकालाई अनग्रुप गर्नुहोस् र फिल्ड मानहरू विभाजन गर्नुहोस् भाडा अघिल्लो चरणमा के भयो।

R: dplyr मा सञ्झ्याल प्रकार्यहरू

group_by(titanic, Pclass) %>%
  mutate(Pclass_cost = sum(Fare)) %>%
  ungroup() %>%
  mutate(ticket_fare_rate = Fare / Pclass_cost)

R: data.table मा सञ्झ्याल प्रकार्यहरू

समाधान एल्गोरिथ्म मा जस्तै नै रहन्छ dplyr, हामीले तालिकालाई विन्डोमा फिल्डद्वारा विभाजित गर्न आवश्यक छ Pclass। नयाँ स्तम्भमा प्रत्येक रेखासँग सम्बन्धित समूहको लागि रकम आउटपुट गर्नुहोस्, र एउटा स्तम्भ थप्नुहोस् जसमा हामी यसको समूहमा प्रत्येक टिकटको लागतको अंश गणना गर्छौं।

नयाँ स्तम्भहरू थप्न data.table अपरेटर उपस्थित :=। तल प्याकेज प्रयोग गरेर समस्या समाधान गर्ने एउटा उदाहरण हो data.table

R: data.table मा सञ्झ्याल प्रकार्यहरू

titanic[,c("Pclass_cost","ticket_fare_rate") := .(sum(Fare), Fare / Pclass_cost), 
        by = Pclass]

पाइथनमा सञ्झ्याल प्रकार्यहरू: पान्डा

नयाँ स्तम्भ थप्ने एउटा तरिका pandas - प्रकार्य प्रयोग गर्नुहोस् assign()। पङ्क्तिहरू समूहबद्ध नगरी केबिन वर्गद्वारा टिकटहरूको मूल्य संक्षेप गर्न, हामी प्रकार्य प्रयोग गर्नेछौं transform().

तल एउटा समाधानको उदाहरण हो जसमा हामी तालिकामा थप्छौं टाइटैनिक उही 2 स्तम्भहरू।

पाइथनमा सञ्झ्याल प्रकार्यहरू: पान्डा

titanic.assign(Pclass_cost      =  titanic.groupby('Pclass').Fare.transform(sum),
               ticket_fare_rate = lambda x: x['Fare'] / x['Pclass_cost'])

कार्यहरू र विधिहरू पत्राचार तालिका

तल हामीले विचार गरेका प्याकेजहरूमा डेटाको साथ विभिन्न कार्यहरू प्रदर्शन गर्ने विधिहरू बीच पत्राचारको तालिका छ।

विवरण
व्यवस्थित
डाटा.टेबल
पाण्डा

डाटा लोड गर्दै
vroom()/ readr::read_csv() / readr::read_tsv()
fread()
read_csv()

डाटाफ्रेमहरू सिर्जना गर्दै
tibble()
data.table()
dict() + from_dict()

स्तम्भहरू चयन गर्दै
select()
तर्क j, वर्ग कोष्ठक मा दोस्रो स्थान
हामी वर्ग कोष्ठकमा आवश्यक स्तम्भहरूको सूची पास गर्छौं / drop() / filter() / select_dtypes()

पङ्क्तिहरू फिल्टर गर्दै
filter()
तर्क i, वर्ग कोष्ठकमा पहिलो स्थान
हामी वर्ग कोष्ठकमा फिल्टरिङ अवस्थाहरू सूचीबद्ध गर्दछौं / filter()

समूहीकरण र एकीकरण
group_by() + summarise()
तर्कहरू j + by
groupby() + agg()

टेबलहरूको ठाडो संघ (UNION)
bind_rows()
rbind()
concat()

तालिकाहरूको तेर्सो जोड्नुहोस् (JOIN)
left_join() / *_join()
merge()
merge()

आधारभूत सञ्झ्याल प्रकार्यहरू र गणना गरिएका स्तम्भहरू थप्दै
group_by() + mutate()
तर्क j अपरेटर प्रयोग गर्दै := + तर्क by
transform() + assign()

निष्कर्षमा

सायद लेखमा मैले डाटा प्रोसेसिंगको सबैभन्दा इष्टतम कार्यान्वयनहरू वर्णन गरेन, त्यसैले यदि तपाईंले टिप्पणीहरूमा मेरा गल्तीहरू सच्याउनुभयो भने, वा केवल R / पाइथनमा डाटासँग काम गर्ने अन्य प्रविधिहरूसँग लेखमा दिइएका जानकारीको पूर्ति गर्नुहोस् भने म खुसी हुनेछु।

मैले माथि लेखेझैं, लेखको उद्देश्य कुन भाषा राम्रो छ भनेर कसैको विचार थोपाउने होइन, तर दुबै भाषाहरू सिक्ने अवसरलाई सरल बनाउन, वा आवश्यक भएमा, तिनीहरू बीच माइग्रेट गर्नु थियो।

यदि तपाईंलाई लेख मनपर्यो भने, म मेरो नयाँ सदस्यहरू पाउँदा खुसी हुनेछु YouTube и टेलीग्राम च्यानलहरू।

पोल

तलका मध्ये कुन प्याकेज तपाईले आफ्नो काममा प्रयोग गर्नुहुन्छ?

कमेन्टमा तपाईले आफ्नो रोजाइको कारण लेख्न सक्नुहुन्छ।

दर्ता भएका प्रयोगकर्ताहरूले मात्र सर्वेक्षणमा भाग लिन सक्छन्। साइन इन गर्नुहोस्कृपया

तपाइँ कुन डाटा प्रोसेसिङ प्याकेज प्रयोग गर्नुहुन्छ (तपाईं धेरै विकल्पहरू चयन गर्न सक्नुहुन्छ)

45,2%व्यवस्थित 19
33,3%data.table14
54,8%पाण्डा ११

42 प्रयोगकर्ताहरूले मतदान गरे। 9 प्रयोगकर्ताहरू रोकिए।

स्रोत: www.habr.com

डेटा संग काम गर्न को लागी कुन भाषा छनौट गर्ने - R वा पाइथन? दुबै! पाण्डाबाट tidyverse र data.table र पछाडि माइग्रेट गर्दै