डेटा विश्लेषण आणि हाताळणीच्या क्षेत्रात वापरल्या जाणार्‍या पांडस ही एक व्यापकपणे लोकप्रिय पायथन लायब्ररी आहे. आजकाल, मोठ्या प्रमाणावर डेटाचे विश्लेषण करणे आणि कार्य करणे हे नेहमीपेक्षा अधिक महत्त्वाचे आहे आणि या उद्देशासाठी आवश्यक साधने प्रदान करण्यात पांडांची महत्त्वपूर्ण भूमिका आहे. डेटा विश्लेषणादरम्यान अनेकदा केलेल्या महत्त्वपूर्ण कार्यांपैकी एक म्हणजे विशिष्ट माहितीची क्वेरी करण्याची आणि विशिष्ट परिस्थितींवर आधारित स्तंभ परत करण्याची क्षमता. या लेखात, आम्ही कोड, फंक्शन्स आणि आवश्यक लायब्ररींच्या तपशीलवार स्पष्टीकरणासह शक्तिशाली पांडा लायब्ररी वापरून असे परिणाम कसे मिळवायचे याबद्दल चर्चा करणार आहोत.
पूर्वतयारी: पांडा स्थापित करणे
सोल्यूशनमध्ये जाण्यापूर्वी, तुम्ही तुमच्या सिस्टमवर पांडा स्थापित केलेले असणे आवश्यक आहे. जर तुमच्याकडे आधीच Pandas स्थापित केलेले नसतील, तर तुम्ही Python च्या पॅकेज मॅनेजर, pip द्वारे ते स्थापित करण्यासाठी खालील आदेश वापरू शकता:
pip install pandas
पांडा यशस्वीरित्या स्थापित केल्यानंतर, ते वापरून आपल्या पायथन स्क्रिप्टमध्ये आयात करण्यासाठी पुढे जा:
import pandas as pd
आता आम्ही आमच्या स्क्रिप्टमध्ये पांडा स्थापित केले आहेत आणि आयात केले आहेत, चला समस्या सोडवण्याकडे वळूया.
समस्येचे निराकरण: डेटाफ्रेमची चौकशी करणे आणि स्तंभ परत करणे
असे गृहीत धरून की आमच्याकडे डेटाफ्रेम आहे आणि विशिष्ट अटींवर आधारित विशिष्ट माहितीची चौकशी करणे आवश्यक आहे, उदाहरणार्थ, "वय" नावाचा स्तंभ शोधणे जिथे मूल्ये दिलेल्या संख्येपेक्षा जास्त आहेत. पांडाचा वापर करून आपण हे साध्य करू शकतो. क्वेरी () कार्य
प्रात्यक्षिक हेतूंसाठी काही डेटासह प्रथम नमुना डेटाफ्रेम तयार करू:
data = {
"Name": ["Alice", "Bob", "Charlie", "David", "Eve"],
"Age": [25, 32, 29, 41, 38],
"City": ["New York", "San Francisco", "Los Angeles", "Chicago", "Miami"]
}
df = pd.DataFrame(data)
चरण-दर-चरण स्पष्टीकरण: पांडा क्वेरी फंक्शनसह कार्य करणे
आता आम्ही डेटाफ्रेमचा नमुना तयार केल्यानंतर आवश्यक डेटा परत करण्‍याच्‍या चरणांचे विश्लेषण करूया:
एक्सएनयूएमएक्स. वापरा क्वेरी () प्रदान केलेल्या स्थितीवर आधारित डेटाफ्रेम फिल्टर करण्यासाठी कार्य:
age_filter = df.query('Age > 30')
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना क्वेरी () फंक्शन त्यानुसार डेटाफ्रेम फिल्टर करण्यासाठी 'वय > ३०' अट असलेली स्ट्रिंग स्वीकारते.
2. फिल्टर केलेल्या डेटाफ्रेमचा फक्त 'वय' स्तंभ परत करण्यासाठी, वापरा:
result = age_filter['Age']
3. शेवटी, परिणाम मुद्रित करा:
print(result)
इतर लक्षणीय तत्सम कार्ये आणि लायब्ररी
या व्यतिरिक्त क्वेरी () फंक्शन, पांडामध्ये इतर समान पर्याय उपलब्ध आहेत, जसे की loc[] आणि iloc[] फंक्शन्स, जे डेटा फिल्टरिंग आणि पुनर्प्राप्त करण्याचा समान उद्देश पूर्ण करू शकतात. फंक्शनची निवड समस्येच्या जटिलतेवर आणि कोडच्या साधेपणावर अवलंबून असते.
शिवाय, डेटा विश्लेषण क्षमता अधिक सुधारण्यासाठी पांडांना इतर लायब्ररींसोबत जोडले जाते. सुन्न संख्यात्मक ऑपरेशन्ससाठी एक लायब्ररी आहे, ज्यामुळे पांडांच्या कार्यक्षमतेच्या ऑप्टिमायझेशनला फायदा होतो. समांतर, द मॅटप्लोटलिब लायब्ररी डेटाचे आकर्षक व्हिज्युअलायझेशन तयार करण्यात मदत करते, वापरकर्त्यांना डेटा पॅटर्न समजून घेणे सोपे करते.
शेवटी, लवचिक आणि कार्यक्षम डेटा मॅनिपुलेशन तंत्र प्रदान करण्यासाठी, NumPy आणि Matplotlib सारख्या इतर आवश्यक लायब्ररीसह एकत्रितपणे, Pandas लायब्ररी डेटा विश्लेषण आणि फिल्टरिंगमध्ये मूलभूत साधन म्हणून काम करते.
