पैंडास डेटाफ्रेम से कॉलम हटाने के लिए pdpipe लाइब्रेरी के colDrop() मेथड का उपयोग करें। पहले आवश्यक pdpipe और पैंडास लाइब्रेरी को उनके संबंधित उपनामों के साथ आयात करें: import pdpipe as pdp import pandas as pd एक डेटाफ्रेम बनाएं। यहां हमारे पास दो कॉलम हैं: dataFrame = pd.DataFrame( { C

एकल कॉलम से अद्वितीय मान प्राप्त करने के लिए, unique() मेथड का उपयोग करें। मान लीजिए आपके पैंडास डेटाफ्रेम में कर्मचारी रिकॉर्ड हैं, तो नाम दोहराए जा सकते हैं क्योंकि दो कर्मचारियों के नाम समान हो सकते हैं। उस स्थिति में, यदि आप अद्वितीय कर्मचारी नाम चाहते हैं, तो डेटाफ्रेम के लिए unique() का उपयोग

मौजूदा पैंडास डेटाफ्रेम में डिक्शनरी की सूची जोड़ने के लिए, append() मेथड का उपयोग करें। पहले एक डेटाफ्रेम बनाएं: dataFrame = pd.DataFrame( { Car: [BMW, Audi, XUV, Lexus, Volkswagen], Place: [Delhi,Bangalore,Pune,Chandigarh,Mumbai], Units: [100, 150, 50, 110, 90] } )

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमान और विश्वास अंतराल को आयताकार बार के रूप में दिखाने के लिए किया जाता है। इसके लिए seaborn.barplot() का उपयोग किया जाता है। एक श्रेणीगत चर द्वारा ग्रुप किए गए वर्टिकल बार प्लॉट बनाएं, x, y या hue पैरामीटर का उपयोग करके श्रेणीगत चर पास करके। मान लीजिए निम्नल

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमान और विश्वास अंतराल को आयताकार बार के रूप में दिखाने के लिए किया जाता है। क्षैतिज बार प्लॉट बनाने के लिए seaborn.barplot() का उपयोग किया जाता है। मान लीजिए निम्नलिखित हमारा डेटासेट CSV फ़ाइल के रूप में है - Cricketers2.csv पहले आवश्यक लाइब्रेरी आयात करें: i

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमान और विश्वास अंतराल को आयताकार बार के रूप में दिखाने के लिए किया जाता है। इसके लिए seaborn.barplot() का उपयोग किया जाता है। डेटासेट कॉलम को x और y मानों के रूप में उपयोग करके क्षैतिज बार प्लॉट बनाएं। estimator पैरामीटर का उपयोग करके median को केंद्रीय प्रवृ

एकाधिक कॉलम प्लॉट करने के लिए, हम बार ग्राफ का उपयोग करेंगे। plot() मेथड का उपयोग करें और kind पैरामीटर को बार ग्राफ के लिए bar पर सेट करें। पहले आवश्यक लाइब्रेरी आयात करें: import pandas as pd import matplotlib.pyplot as mp टीम रिकॉर्ड के साथ हमारा डेटा निम्नलिखित है: data = [[Australia, 2500, 202

मान लीजिए हमारी CSV फ़ाइल में निम्नलिखित सामग्री है: Car Reg_Price 0 BMW 2000 1 Lexus 1500 2 Audi 1500 3 Jaguar 2000 4 Mustang 1500 आवश्यक लाइब्रेरी आयात करें: import pandas as pd import matplotlib.pyplot as mp हमारी CSV फ़ाइल डेस्कटॉप पर है। CSV फ़ाइल से डेटा लोड करके पैंडास डेटाफ्रेम में डालें: d

DataFrame को लाइन ग्राफ में प्लॉट करने के लिए plot() विधि का उपयोग करें और kind पैरामीटर को line पर सेट करें। आइए पहले आवश्यक लाइब्रेरी आयात करें:import pandas as pd import matplotlib.pyplot as mpनिम्नलिखित हमारे टीम रिकॉर्ड के साथ डेटा है:data = [[Australia, 2500, 2021], [Bangladesh, 1000, 2021], [

मान लीजिए हमारी CSV फ़ाइल की सामग्री Microsoft Excel में निम्नलिखित है:सबसे पहले, CSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv)सबसेट का चयन करने के लिए वर्गाकार ब्रैकेट का उपयोग करें। ब्रैकेट में कॉलम का उल्लेख करें और पूरे डेटासेट

पंक्तियों के सबसेट का चयन करने के लिए शर्तों का उपयोग करें और डेटा प्राप्त करें।मान लीजिए हमारी CSV फ़ाइल की सामग्री Microsoft Excel में निम्नलिखित है:सबसे पहले, CSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv)मान लीजिए हम Units 100 से

मान लीजिए हमारी CSV फ़ाइल की सामग्री Microsoft Excel में निम्नलिखित है:सबसे पहले, CSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv)एकाधिक कॉलम रिकॉर्ड का चयन करने के लिए वर्गाकार ब्रैकेट का उपयोग करें। ब्रैकेट में कॉलम का उल्लेख करें और

पैंडास DataFrame को मर्ज करने के लिए merge() फ़ंक्शन का उपयोग करें। कई-से-एक संबंध को merge() फ़ंक्शन के validate पैरामीटर के तहत सेट करके दोनों DataFrames पर लागू किया जाता है:validate = many-to-one or validate = m:1कई-से-एक संबंध जांचता है कि मर्ज कुंजियाँ दाएं डेटासेट में अद्वितीय हैं।सबसे पहले,

विशिष्ट टेक्स्ट वाली पंक्तियों का चयन करने के लिए contains() विधि का उपयोग करें। मान लीजिए हमारी CSV फ़ाइल का पथ निम्नलिखित है:C:\\Users\\amit_\\Desktop\\SalesRecords.csvसबसे पहले, आइए CSV फ़ाइल पढ़ें और पैंडास DataFrame बनाएं:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\CarRecords.csv)अब, आइए

columns.values() का उपयोग करके हम CSV फ़ाइल के इंडेक्स नंबर के साथ कॉलम नाम आसानी से बदल सकते हैं।मान लीजिए हमारी CSV फ़ाइल की सामग्री Microsoft Excel में निम्नलिखित है:हम कॉलम नाम बदलेंगे। सबसे पहले, CSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\

स्कैटर प्लॉट एक डेटा विज़ुअलाइज़ेशन तकनीक है। स्कैटर प्लॉट प्लॉट करने के लिए plot.scatter() का उपयोग करें। सबसे पहले, आइए आवश्यक लाइब्रेरी आयात करें:हमारे पास टीम रिकॉर्ड के साथ डेटा है। इसे पैंडास DataFrame में सेट करें:data = [[Australia, 2500], [Bangladesh, 1000], [England, 2000], [India, 3000],

हेडर के बिना CSV फ़ाइल पढ़ने के लिए read_csv() विधि में header पैरामीटर का उपयोग करें और इसे None पर सेट करें।मान लीजिए हमारी CSV फ़ाइल की सामग्री Microsoft Excel में निम्नलिखित है:सबसे पहले, आवश्यक लाइब्रेरी आयात करें:import pandas as pdCSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें। यह हेडर्स भी

सीबॉर्न में स्वार्म प्लॉट का उपयोग गैर-ओवरलैपिंग बिंदुओं के साथ श्रेणीबद्ध स्कैटरप्लॉट बनाने के लिए किया जाता है। इसके लिए seaborn.swarmplot() का उपयोग किया जाता है। violinplot() का उपयोग करके वायलिन प्लॉट के ऊपर अवलोकनों के स्वार्म्स बनाएं।मान लीजिए हमारा डेटासेट CSV फ़ाइल के रूप में Cricketers2.cs

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमानों और विश्वास अंतराल को आयताकार बार्स के रूप में दिखाने के लिए किया जाता है। seaborn.barplot() का उपयोग किया जाता है। barplot() विधि में चर को x या y निर्देशांक के रूप में पास करके श्रेणीबद्ध चर द्वारा समूहित वर्टिकल बार प्लॉट बनाएं।मान लीजिए हमारा डेटासेट

NaN मानों को बदलने के लिए fillna() विधि का उपयोग करें। मान लीजिए हमारी CSV फ़ाइल Microsoft Excel में कुछ NaN मानों के साथ खुली है:सबसे पहले, आवश्यक लाइब्रेरी आयात करें:import pandas as pdCSV फ़ाइल से डेटा पैंडास DataFrame में लोड करें:dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv)