Fonctions courantes de Pandas
Pandas fournit un grand nombre de fonctions pour le traitement et l'analyse de données. Voici quelques fonctions couramment utilisées :
Fonctions générales
| Fonction | Description |
|---|---|
pd.isna(obj) | Vérifier si l'objet est une valeur manquante. |
pd.notna(obj) | Vérifier si l'objet n'est pas une valeur manquante. |
pd.concat(objs, axis) | Concaténer plusieurs objets. |
pd.merge(left, right, on) | Fusionner des DataFrames par colonnes. |
pd.get_dummies(data) | Encoder en one-hot les variables catégorielles. |
pd.cut(x, bins) | Discrétiser des données continues. |
pd.qcut(x, q) | Discrétiser par quantiles. |
pd.to_numeric(arg) | Convertir en numérique. |
pd.to_datetime(arg) | Convertir en datetime. |
pd.unique(values) | Obtenir les valeurs uniques. |
pd.value_counts(values) | Compter les fréquences. |
pd.factorize(values) | Encoder les variables catégorielles. |
pd.crosstab(index, columns) | Tabulation croisée. |
pd.pivot_table(data) | Tableau croisé dynamique. |
pd.melt(frame) | De large à long. |
Lecture et écriture de données (IO)
| Fonction | Description |
|---|---|
pd.read_csv() | Lire un fichier CSV. |
pd.read_excel() | Lire Excel. |
pd.read_json() | Lire JSON. |
pd.read_html() | Analyser des tableaux HTML. |
pd.read_sql() | Lire depuis une base de données. |
df.to_csv() | Écrire CSV. |
df.to_excel() | Écrire Excel. |
df.to_json() | Écrire JSON. |
df.to_parquet() | Écrire Parquet. |
Nettoyage des données
| Fonction | Description |
|---|---|
df.dropna() | Supprimer les valeurs manquantes. |
df.fillna() | Remplir les valeurs manquantes. |
df.replace() | Remplacer les données. |
df.drop_duplicates() | Supprimer les doublons. |
df.astype() | Conversion de type. |
df.rename() | Renommer les colonnes. |
df.sort_values() | Trier. |
df.reset_index() | Réinitialiser l’index. |
Sélection et filtrage des données
| Fonction | Description |
|---|---|
df.head() | Premières lignes. |
df.tail() | Dernières lignes. |
df.loc[] | Indexation basée sur les étiquettes. |
df.iloc[] | Indexation basée sur la position. |
df.query() | Filtrage conditionnel. |
df.filter() | Filtrage des colonnes. |
Regroupement et agrégation
| Fonction | Description |
|---|---|
df.groupby() | Opération de regroupement. |
groupby.sum() | Somme agrégée. |
groupby.mean() | Moyenne. |
groupby.agg() | Agrégations multiples. |
groupby.transform() | Transformation. |
Fonctions mathématiques et statistiques
| Fonction | Description |
|---|---|
Series.sum() | Somme. |
Series.mean() | Moyenne. |
Series.median() | Médiane. |
Series.std() | Écart-type. |
Series.var() | Variance. |
Series.corr() | Coefficient de corrélation. |
Series.quantile() | Quantile. |
Series.cumsum() | Somme cumulée. |
Traitement des chaînes de caractères
| Fonction | Description |
|---|---|
Series.str.lower() | Minuscules. |
Series.str.upper() | Majuscules. |
Series.str.strip() | Supprimer les espaces blancs. |
Series.str.replace() | Remplacer. |
Series.str.contains() | Correspondre. |
Series.str.split() | Diviser. |
Series.str.len() | Longueur. |
Séries temporelles
| Fonction | Description |
|---|---|
pd.date_range() | Générer des dates. |
pd.Timestamp() | Horodatage. |
pd.Timedelta() | Différence temporelle. |
Series.dt.year | Année. |
Series.dt.month | Mois. |
Series.dt.day | Jour. |
Series.dt.weekday | Jour de la semaine. |
Remodelage des données
| Fonction | Description |
|---|---|
df.pivot() | Pivot. |
df.pivot_table() | Tableau croisé dynamique. |
df.stack() | Des colonnes aux lignes. |
df.unstack() | Des lignes aux colonnes. |
pd.melt() | De large à long. |
Exemple
import pandas as pd
# Fonctions générales
s = pd.Series([1, 2, 3, None])
print(pd.isna(s))
# Mathématiques
print(s.sum())
# Chaîne
s_str = pd.Series(['a', 'b'])
print(s_str.str.upper())
# Temps
dates = pd.to_datetime(['2023-01-01'])
print(dates.dt.month)
# Fonctions générales
s = pd.Series([1, 2, 3, None])
print(pd.isna(s))
# Mathématiques
print(s.sum())
# Chaîne
s_str = pd.Series(['a', 'b'])
print(s_str.str.upper())
# Temps
dates = pd.to_datetime(['2023-01-01'])
print(dates.dt.month)
Si vous avez besoin d'informations plus détaillées, vous pouvez consulterla documentation officielle de Pandas。
Autres extensions