اردو زبان میں 10 منٹ میں پانڈا سیکھیں۔

 کے لیے 10 منٹ Pandas

یہ پانڈا کا ایک مختصر تعارف ہے، جو بنیادی طور پر نئے صارفین کے لیے تیار کیا گیا ہے۔ آپ کک بک میں مزید پیچیدہ ترکیبیں دیکھ سکتے ہیں۔


حسب ضرورت، ہم درج ذیل درآمد کرتے ہیں:

In [1]: import numpy as np

In [2]: import pandas as pd

پانڈوں میں ڈیٹا کے بنیادی ڈھانچے

سیریز: کسی بھی قسم کا ڈیٹا رکھنے والی ایک جہتی لیبل والی صف
جیسے کہ عدد، تار، ازگر کی اشیاء وغیرہ۔
ڈیٹا فریم: ایک دو جہتی ڈیٹا ڈھانچہ جس میں ڈیٹا ہوتا ہے جیسے دو جہتی سرنی یا قطاروں اور کالموں والی میز۔

آبجیکٹ کی تخلیق

ڈیٹا ڈھانچے کا تعارف سیکشن دیکھیں۔


اقدار کی فہرست پاس کر کے ایک سیریز بنانا، پانڈوں کو ڈیفالٹ رینج انڈیکس بنانے دینا۔

In [3]: s = pd.Series([1, 3, 5, np.nan, 6, 8])

In [4]: s
Out[4]: 
0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

date_range() اور لیبل والے کالمز کا استعمال کرتے ہوئے ڈیٹ ٹائم انڈیکس کے ساتھ NumPy سرنی کو پاس کرکے ڈیٹا فریم بنانا:

In [5]: dates = pd.date_range("20130101", periods=6)

In [6]: dates
Out[6]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

In [7]: df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list("ABCD"))

In [8]: df
Out[8]: 
                   A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

اشیاء کی ایک لغت کو پاس کرکے ڈیٹا فریم بنانا جہاں کلیدیں کالم لیبل ہیں اور اقدار کالم کی قدریں ہیں۔

In [9]: df2 = pd.DataFrame(
   ...:     {
   ...:         "A": 1.0,
   ...:         "B": pd.Timestamp("20130102"),
   ...:         "C": pd.Series(1, index=list(range(4)), dtype="float32"),
   ...:         "D": np.array([3] * 4, dtype="int32"),
   ...:         "E": pd.Categorical(["test", "train", "test", "train"]),
   ...:         "F": "foo",
   ...:     }
   ...: )
   ...: 

In [10]: df2
Out[10]: 
     A          B    C  D      E    F
0  1.0 2013-01-02  1.0  3   test  foo
1  1.0 2013-01-02  1.0  3  train  foo
2  1.0 2013-01-02  1.0  3   test  foo
3  1.0 2013-01-02  1.0  3  train  foo

نتیجے میں ڈیٹا فریم کے کالم مختلف قسم کے ہیں:

In [11]: df2.dtypes
Out[11]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

اگر آپ IPython استعمال کر رہے ہیں، تو کالم کے ناموں کے لیے ٹیب کی تکمیل (نیز عوامی صفات) خود بخود فعال ہو جاتی ہے۔ یہاں ان صفات کا ایک ذیلی سیٹ ہے جو مکمل ہو جائے گا:

In [12]: df2.<TAB>  # noqa: E225, E999
df2.A                  df2.bool
df2.abs                df2.boxplot
df2.add                df2.C
df2.add_prefix         df2.clip
df2.add_suffix         df2.columns
df2.align              df2.copy
df2.all                df2.count
df2.any                df2.combine
df2.append             df2.D
df2.apply              df2.describe
df2.applymap           df2.diff
df2.B                  df2.duplicated

جیسا کہ آپ دیکھ سکتے ہیں، کالم A، B، C، اور D خود بخود ٹیب مکمل ہو جاتے ہیں۔ E اور F بھی ہیں؛ بقیہ صفات اختصار کے پیش نظر کاٹ دی گئی ہیں۔

ڈیٹا دیکھنا

In [13]: df.head()
Out[13]: 
                   A         B         C         D
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401

In [14]: df.tail(3)
Out[14]: 
                   A         B         C         D
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
2013-01-06 -0.673690  0.113648 -1.478427  0.524988

DataFrame.index یا DataFrame.columns دکھائیں:

In [15]: df.index
Out[15]: 
DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04',
               '2013-01-05', '2013-01-06'],
              dtype='datetime64[ns]', freq='D')

In [16]: df.columns
Out[16]: Index(['A', 'B', 'C', 'D'], dtype='object')

انڈیکس یا کالم لیبل کے بغیر DataFrame.to_numpy() کے ساتھ بنیادی ڈیٹا کی NumPy نمائندگی واپس کریں:

In [17]: df.to_numpy()
Out[17]: 
array([[ 0.4691, -0.2829, -1.5091, -1.1356],
       [ 1.2121, -0.1732,  0.1192, -1.0442],
       [-0.8618, -2.1046, -0.4949,  1.0718],
       [ 0.7216, -0.7068, -1.0396,  0.2719],
       [-0.425 ,  0.567 ,  0.2762, -1.0874],
       [-0.6737,  0.1136, -1.4784,  0.525 ]])

NumPy arrays میں پوری صف کے لیے ایک dtype ہے جبکہ pandas DataFrames میں فی کالم ایک dtype ہے۔ جب آپ DataFrame.to_numpy() کو کال کریں گے، تو پانڈوں کو NumPy dtype ملے گا جو DataFrame میں تمام dtypes کو رکھ سکتا ہے۔ اگر عام ڈیٹا کی قسم آبجیکٹ ہے، تو DataFrame.to_numpy() کو ڈیٹا کاپی کرنے کی ضرورت ہوگی۔

In [18]: df2.dtypes
Out[18]: 
A          float64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object

In [19]: df2.to_numpy()
Out[19]: 
array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']],
      dtype=object)

describe() آپ کے ڈیٹا کا فوری اعدادوشمار کا خلاصہ دکھاتا ہے۔

In [20]: df.describe()
Out[20]: 
              A         B         C         D
count  6.000000  6.000000  6.000000  6.000000
mean   0.073711 -0.431125 -0.687758 -0.233103
std    0.843157  0.922818  0.779887  0.973118
min   -0.861849 -2.104569 -1.509059 -1.135632
25%   -0.611510 -0.600794 -1.368714 -1.076610
50%    0.022070 -0.228039 -0.767252 -0.386188
75%    0.658444  0.041933 -0.034326  0.461706
max    1.212112  0.567020  0.276232  1.071804

اپنا ڈیٹا منتقل کرنا:

In [21]: df.T
Out[21]: 
   2013-01-01  2013-01-02  2013-01-03  2013-01-04  2013-01-05  2013-01-06
A    0.469112    1.212112   -0.861849    0.721555   -0.424972   -0.673690
B   -0.282863   -0.173215   -2.104569   -0.706771    0.567020    0.113648
C   -1.509059    0.119209   -0.494929   -1.039575    0.276232   -1.478427
D   -1.135632   -1.044236    1.071804    0.271860   -1.087401    0.524988

DataFrame.sort_index() ایک محور کے حساب سے ترتیب دیتا ہے:

In [22]: df.sort_index(axis=1, ascending=False)
Out[22]: 
                   D         C         B         A
2013-01-01 -1.135632 -1.509059 -0.282863  0.469112
2013-01-02 -1.044236  0.119209 -0.173215  1.212112
2013-01-03  1.071804 -0.494929 -2.104569 -0.861849
2013-01-04  0.271860 -1.039575 -0.706771  0.721555
2013-01-05 -1.087401  0.276232  0.567020 -0.424972
2013-01-06  0.524988 -1.478427  0.113648 -0.673690

DataFrame.sort_values() قدروں کے لحاظ سے ترتیب دیتا ہے:

In [23]: df.sort_values(by="B")
Out[23]: 
                   A         B         C         D
2013-01-03 -0.861849 -2.104569 -0.494929  1.071804
2013-01-04  0.721555 -0.706771 -1.039575  0.271860
2013-01-01  0.469112 -0.282863 -1.509059 -1.135632
2013-01-02  1.212112 -0.173215  0.119209 -1.044236
2013-01-06 -0.673690  0.113648 -1.478427  0.524988
2013-01-05 -0.424972  0.567020  0.276232 -1.087401
 


 

Comments

Post a Comment

Popular posts from this blog

Brazil's Supreme Court to vote on decriminalising abortion

Image
 ** Brazil's Supreme Court Debates Decriminalization of Abortion: A Turning Point for Women's Rights** In Brazil, where strict laws currently limit abortions to cases of rape, risk to the woman's life, or severe fetal abnormalities, the Supreme Court is set to deliberate on a landmark decision: whether to decriminalize abortion in the first 12 weeks of pregnancy. This pivotal moment follows Mexico's recent move to decriminalize abortion nationwide, signaling a growing wave of change for women's rights across Latin America. ### Paloma's Painful Journey The struggle for abortion rights in Brazil is vividly illustrated by Paloma's harrowing experience. She recently underwent an abortion but had to navigate a complicated, time-consuming process to access a procedure she believed should have been more straightforward. Paloma's case did not fit the limited criteria for legal abortion, yet she faced significant hurdles in securing a termination, despite having ...
Read more

Inside India’s lab-grown diamond industry

Image
  India's Surat: The Hub of Innovation in Lab-Grown Diamonds Surat, known as Diamond City, has been a celebrated hub for diamond polishing in India for decades. Its bustling streets are lined with sellers offering precious gems. However, amidst this traditional diamond market, one company is revolutionizing the industry by shifting from extracting diamonds from the Earth to growing them in a laboratory. **Green Lab**, a pioneering company, initially started as an importer of diamonds that were subsequently cut, shaped, and polished. However, a few years ago, they made a transformative shift to a process that they claim is faster, cheaper, and more sustainable. This innovative approach involves growing diamonds in a controlled laboratory environment. ### How Are Diamonds Grown in a Lab? The process of growing diamonds in a lab is intriguing. It begins with a single seed, which is essentially a diamond crystal plate. These diamond seeds are placed in plasma reactors where they are su...
Read more

US to give Ukraine long-range missiles, reports say

Image
  U.S. Plans to Provide Ukraine with Advanced Long-Range Missiles Amid Ongoing Conflict Reports from American media suggest that the United States is preparing to supply Ukraine with advanced long-range missiles to support its ongoing counter-offensive against Russia. While there has been no official confirmation from either the U.S. or Ukraine, sources familiar with the matter have revealed that Ukraine is expected to receive long-range missiles with a range of up to 190 miles. These missiles would significantly enhance Ukraine's capabilities, allowing them to target Russian positions deep behind the front lines. The news comes as the Ukrainian military claims to have struck the headquarters of Russia's Black Sea naval fleet in occupied Crimea. Using Storm Shadow cruise missiles supplied by Britain and France, the attack caused extensive damage to the building in Sevastopol, and black smoke continued to rise from the area hours after the strike. Russia's Ministry of Defens...
Read more