Comment mettre à jour des lignes et des colonnes en utilisant Python Pandas
Comprenons comment mettre à jour des lignes et des colonnes en utilisant Python pandas. Dans le monde réel, la plupart du temps, nous ne recevons pas des ensembles de données prêts à être analysés. Il peut y avoir de nombreuses incohérences, des valeurs invalides, des étiquettes incorrectes, et bien plus encore. Cela dit, il est nécessaire de mettre à jour ces valeurs pour atteindre l'uniformité des données. Dans ce tutoriel, nous nous concentrerons sur la façon de mettre à jour des lignes et des colonnes en python en utilisant pandas. Sans passer trop de temps sur l'introduction, plongeons dans l'action !
1. Créez un DataFrame Pandas
Dans tout ce tutoriel, nous allons utiliser un dataframe que nous allons créer maintenant. Cela vous donnera une idée des opérations de mise à jour sur les données. Après cela, vous pourrez appliquer ces méthodes à vos données.
Pour créer un dataframe, pandas propose la fonction nommée pd.DataFrame, qui vous aide à créer un dataframe à partir de certaines données. Voyons comment cela fonctionne.
#create a dictionary
import pandas as pd
fruit_data = {"Fruit": ['Apple','Avacado','Banana','Strawberry','Grape'],"Color": ['Red','Green','Yellow','Pink','Green'],
"Price": [45, 90, 60, 37, 49]
}
fruit_data
Ici, nous avons créé un dictionnaire python avec certaines valeurs de données. Maintenant, on nous a demandé de transformer ce dictionnaire en un dataframe pandas.
#Dataframe
data = pd.DataFrame(fruit_data)
data
C'est parfait ! En utilisant la fonction pd.DataFrame de pandas, vous pouvez facilement transformer un dictionnaire en un dataframe pandas. Notre ensemble de données est maintenant prêt à effectuer des opérations futures.
Plus à lire : Comment changer l'ordre des colonnes avec Pandas
2. Mise à jour des colonnes
Parfois, la colonne ou les noms des fonctionnalités peuvent être inconsistants. Cela peut concerner la casse de l'alphabet et plus encore. Avoir un design uniforme nous aide à travailler efficacement avec les fonctionnalités.
Donc, comme première étape, nous allons voir comment nous pouvons mettre à jour/changer les noms des colonnes ou des caractéristiques dans nos données.
#update the column name
data.rename(columns = {'Fruit':'Fruit Name'})
C'est tout. Aussi simple que montré ci-dessus. Vous pouvez même mettre à jour plusieurs noms de colonnes en même temps. Pour cela, vous devez ajouter d'autres noms de colonnes séparés par une virgule dans les accolades.
#multile column update
data.rename(columns = {'Fruit':'Fruit Name','Colour':'Color','Price':'Cost'})
Tout comme cela, vous pouvez mettre à jour toutes vos colonnes en même temps.
3. Mettre à jour la casse des noms de colonnes
Vous avez peut-être rencontré des incohérences dans le cas des noms de colonnes lorsque vous travaillez avec des ensembles de données comportant de nombreuses colonnes.
Dans nos données, vous pouvez constater que tous les noms de colonnes ont leur première lettre en majuscule. Il est toujours conseillé d'avoir une casse commune pour tous vos noms de colonnes.
Eh bien, vous pouvez soit les convertir en majuscules, soit en minuscules.
#lower case
data.columns.str.lower()
data
Maintenant, toutes nos colonnes sont en minuscules.
4. Mise à jour des valeurs de ligne
Tout comme la mise à jour des colonnes, la mise à jour des valeurs de ligne est également très simple. Vous devez d'abord localiser la valeur de la ligne, puis vous pouvez mettre à jour cette ligne avec de nouvelles valeurs.
Vous pouvez utiliser la fonction loc de pandas pour localiser les lignes.
#updating rows
data.loc[3]
Fruit Strawberry
Color Pink
Price 37
Name: 3, dtype: object
Nous avons localisé la ligne numéro 3, qui contient les détails du fruit, Fraise. Maintenant, nous devons mettre à jour cette ligne avec un nouveau fruit nommé Ananas et ses détails.
Allons-y !
#update
data.loc[3] = ['PineApple','Yellow','48']
data
C'est ça. J'espère que vous aussi, vous trouvez cela facile de mettre à jour les valeurs des lignes dans les données. Maintenant, supposons que vous devez mettre à jour seulement quelques détails dans la ligne et non pas la totalité. Quelle est donc votre approche pour cela ?
#update specific values
data.loc[3, ['Price']]
Price 48
Name: 3, dtype: object
nous devons mettre à jour uniquement le prix du fruit situé dans la 3ème rangée. Nous savons que le prix actuel de ce fruit est de 48. Mais, nous devons le mettre à jour à 65. Faisons cela.
#updating
data.loc[3, ['Price']] = [65]
data
Génial :P
Nous avons mis à jour le prix du fruit ananas à 65 avec juste une ligne de code python. C'est comme cela que cela fonctionne. Simple.
5. Mettre à jour les lignes et colonnes en fonction de la condition
Oui, nous allons maintenant mettre à jour les valeurs des lignes en fonction de certaines conditions. Enfin, nous voulons des valeurs significatives qui devraient être utiles pour notre analyse.
Définissons notre condition.
#Condition
updated = data['Price'] > 60
updated
Ce que nous allons faire ici, c'est mettre à jour le prix des fruits qui coûtent plus de 60 en cher.
0 False
1 True
2 False
3 True
4 False
Name: Price, dtype: bool
Sur la base des résultats, nous avons 2 fruits dont le prix est supérieur à 60. Appelons ces fruits chers dans les données.
#Updating
data.loc[updated, 'Price'] = 'Expensive'
data
Faites-moi confiance, vous êtes génial :).
Vous l'avez fait de manière incroyable et avec perfection. Dans tout ce tutoriel, je n'ai jamais utilisé plus de 2 lignes de code. Le meilleur conseil que je puisse donner est d'essayer d'apprendre pandas autant que possible. C'est une bibliothèque si robuste, qui offre de nombreuses fonctions qui sont des lignes de code uniques, mais capables de faire le travail de manière épique.
Conclure - Mettre à jour les lignes et colonnes
Mettre à jour les lignes et les colonnes des données est une des choses principales sur lesquelles nous devons nous concentrer avant toute analyse. Avec des fonctions et du code simples, nous pouvons rendre les données beaucoup plus significatives et, dans ce processus, nous obtiendrons certainement des informations sur la qualité des données et d'autres exigences. Si nous obtenons nos données correctement, croyez-moi, nous pouvons découvrir de nombreuses histoires précieuses inentendues.
J'espère que vous trouverez ce tutoriel utile d'une manière ou d'une autre et n'oubliez pas de mettre en œuvre ces pratiques dans votre travail d'analyse.
C'est tout pour l'instant. Joyeux Python!!!
Lire plus : DataFrame pandas