Pandas для анализа данных в Python
Овладейте Pandas — самой популярной и мощной библиотекой для анализа и обработки табличных данных в Python. Pandas (сокращение от «Panel Data») используется в data science, аналитике, финансах, инженерии, науке практически повсеместно.
В уроках изучаем две основные структуры:
- Series (одномерный массив с индексами, аналог столбца) и DataFrame (двумерная таблица с колонками разных типов, аналог Excel-листа или SQL-таблицы).
- Создание DataFrame из словарей, списков, CSV, Excel, SQL, JSON, Parquet.
- Чтение и запись данных: pd.read_csv(), .to_excel(), .to_sql().
- Основные операции: head(), tail(), info(), describe(), дроп дубликатов, обработка пропусков (NaN: isnull, dropna, fillna), замена значений.
- Индексация: loc (по меткам), iloc (по целочисленным позициям), условная выборка.
- Фильтрация строк, выбор колонок, добавление и удаление колонок.
- Группировка (groupby) с агрегацией (mean, sum, count, agg) — аналог SQL GROUP BY.
- Слияние и объединение таблиц (merge, join, concat) — аналог SQL JOIN.
Примеры: анализ продаж, обработка логов, очистка датасетов, аггрегация по дням/категориям, pivot tables. Pandas превращает хаотичные данные в структурированные и готовые к анализу. Изучайте с реальными кейсами и готовыми скриптами. Станьте профессионалом в обработке данных с Pandas.
Изучите все способы сортировки и ранжирования данных в Pandas: sort_values() для сортировки по одной или нескольким колонкам, параметры ascending и inplace. Ранжирование данных с помощью rank(): методы average, min, max, first, dense.
Изучите все способы группировки данных в Pandas с помощью groupby() — аналог SQL GROUP BY. Разбираем группировку по одной и нескольким колонкам, применение агрегирующих функций (sum, mean, count, min, max, std) через agg(). Создание пользовательских агрегаций
Изучите все способы замены значений в Pandas: replace() для замены конкретных значений в DataFrame, map() для преобразования значений в колонке с помощью словаря или функции. Разбираем замену нескольких значений одновременно, использование регулярных
Изучите все способы обработки пропущенных значений (NaN) в Pandas: обнаружение пропусков с помощью isnull() и notnull(), удаление строк и колонок с пропусками через dropna(), заполнение пропусков значениями через fillna() (константами, средним, медианой, предыдущим значением).
Изучите все способы добавления и удаления колонок в Pandas: создание нового столбца через присваивание df['новая'] = значение, использование insert() для вставки на нужную позицию, удаление через drop() по имени или позиции. Разбираем работу с assign()
Изучите все способы фильтрации данных в Pandas: булева индексация с помощью df[условие], комбинирование нескольких условий через & (И) и | (ИЛИ), использование метода query() для читаемых запросов, фильтрация по списку значений через isin().
![Выбор колонок и строк: [] vs loc vs iloc](https://imi-ds.ru/wp-content/uploads/2026/08/vybor-kolonok-i-strok-vs-loc-vs-iloc-870x400.webp)
Изучите три способа выбора данных в Pandas: квадратные скобки [] (по названию колонки), loc (по названиям строк и столбцов) и iloc (по числовым индексам). Разбираем, когда использовать каждый метод, как выбирать отдельные колонки, срезы строк и столбцов, комбинированные условия.
Изучите основные методы Pandas для первичного анализа данных: head() и tail() для просмотра первых и последних строк, info() для получения информации о типах и пропусках, describe() для статистического описания числовых колонок.
Изучите все способы создания DataFrame в Pandas: из CSV-файла (pd.read_csv), из Excel-файла (pd.read_excel), из словаря Python, из списка словарей, из списка списков. Разбираем параметры чтения: разделители, кодировка, пропуск строк, выбор колонок.
Изучите, что такое DataFrame в библиотеке Pandas — основная структура данных для анализа данных в Python. Узнайте, как создать DataFrame из словаря, CSV и Excel, как просматривать данные через head(), tail(), info(), выбирать колонки и строки с помощью loc и iloc.
Установка Pandas и изучение Series — одномерного массива данных с индексами. Создание Series из списков, словарей, скалярных значений. Доступ к данным по индексу и позиции. Базовые операции и атрибуты Series. Урок для начинающих.