Pandas mit NumPy kombinieren

Pandas basiert auf NumPy, und die beiden sind eng integriert. Das Verständnis ihrer Interaktion kann die Datenverarbeitung und das wissenschaftliche Rechnen effizienter machen.

Interkonvertierung

Konvertierung zwischen DataFrame/Series und NumPy

Beispiel

import pandas as pd
import numpy as np

# DataFrame in NumPy-Array konvertieren
df = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
})

arr = df.to_numpy()
print("DataFrame zu Array:")
print(arr)
print(f"Typ: {type(arr)}")
print()

# Series in Array umwandeln
s = pd.Series([1, 2, 3])
arr = s.values  # Oder s.to_numpy()
print("Series in Array:")
print(arr)
print()

# NumPy in DataFrame umwandeln
arr = np.array([[1, 2], [3, 4], [5, 6]])
df = pd.DataFrame(arr, columns=["A", "B"])
print("Array zu DataFrame:")
print(df)

Verwendung von NumPy-Funktionen in Pandas

Beispiel

import pandas as pd
import numpy as np

s = pd.Series([1, 2, 3, 4, 5])

# NumPy-Funktionen verwenden
print("Absolutwert:", np.abs(s))
print("Quadratwurzel:", np.sqrt(s))
print("Exponential:", np.exp(s))
print("Logarithmus:", np.log(s))
print()

# Bedingte Filterung
print("Werte größer als 3:")
print(s[s > 3])

Vektorisierte Operationen

Beispiel

import pandas as pd
import numpy as np

df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})

# Vektorisierte Operationen
print("A + B:", (df["A"] + df["B"]).tolist())
print("A * B:", (df["A"] * df["B"]).tolist())
print("A > B:", (df["A"] > df["B"]).tolist())
print()

# Verwende apply für elementweise Berechnung
result = df.apply(lambda x: np.multiply(x, 2))
print("Jedes Element * 2:")
print(result)

Numerische Berechnungstechniken

Beispiel

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": [1, 2, 3, 4, 5],
    "B": [10, 20, 30, 40, 50]
})

# Berechne die prozentuale Änderung von A relativ zu B
df["Rate of change"] = np.divide(df["A"], df["B"], where=df["B"] != 0) * 100
print("Prozentuale Änderung:")
print(df)
print()

# Verwende np.where für bedingte Zuweisung
df["Bezeichnung"] = np.where(df["A"] > 3, "Groß", "Klein")
print("Bedingte Bezeichnung:")
print(df)

Statistische Berechnung

Beispiel

import pandas as pd
import numpy as np

s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# Statistische Funktionen in NumPy
print(f"Mittelwert: {np.mean(s):.2f}")
print(f"Standardabweichung: {np.std(s):.2f}")
print(f"Maximum: {np.max(s)}")
print(f"Minimum: {np.min(s)}")
print()

# Median
print(f"Median: {np.median(s)}")

Die tiefe Integration von Pandas und NumPy macht die Verarbeitung komplexer Daten einfach und effizient.

Andere Erweiterungen