डेटाफ़्रेम के आँकड़ों का सारांश खोजने के लिए, वर्णन () विधि का उपयोग करें। सबसे पहले, हमने निम्नलिखित पांडा पुस्तकालय को एक उपनाम के साथ आयात किया है import pandas as pd हमारी CSV फ़ाइल निम्नलिखित है और हम एक पांडा डेटाफ़्रेम बना रहे हैं - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\Ca

लापता मानों यानी NaN मानों को हटाने के लिए, dropna() . का उपयोग करें तरीका। सबसे पहले, हम आवश्यक पुस्तकालय आयात करते हैं - import pandas as pd CSV पढ़ें और एक DataFrame बनाएं - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\CarRecords.csv") ड्रापना () का उपयोग करके लापता मानों को ह

डेटाफ़्रेम के स्तंभों का नाम बदलने के लिए, नाम बदलें () . का उपयोग करें तरीका। नाम बदलें () विधि के कॉलम पैरामीटर के तहत उन कॉलम नामों को सेट करें जिनका आप नाम बदलना चाहते हैं। उदाहरण के लिए, “कार . को बदलना “कार का नाम . पर कॉलम ” - dataFrame.rename(columns={'Car': 'Car Name'}, inpl

एक नया कॉलम बनाने के लिए, हम पहले से बनाए गए कॉलम का उपयोग करेंगे। सबसे पहले, हम एक DataFrame बनाते हैं और हमारे CSV को पढ़ते हैं - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\SalesRecords.csv") अब, हम पहले से बनाए गए कॉलम Reg_Price से एक नया कॉलम New_Reg_Price बनाएंगे और एक नया क

हम शर्तें सेट कर सकते हैं और डेटाफ़्रेम पंक्तियाँ ला सकते हैं। इन शर्तों को तार्किक ऑपरेटरों और यहां तक ​​कि संबंधपरक ऑपरेटरों का उपयोग करके सेट किया जा सकता है। सबसे पहले, आवश्यक पांडा पुस्तकालयों को आयात करें - import pandas as pd आइए हम एक DataFrame बनाएं और अपनी CSV फ़ाइल पढ़ें - dataFrame = p

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमान और आत्मविश्वास अंतराल को आयताकार सलाखों के रूप में दिखाने के लिए किया जाता है। Seaborn.barplot() का उपयोग किया जाता है। चेहरे के रंग . का उपयोग करके बार को स्टाइल करें , लाइनविड्थ और एजकलर पैरामीटर। मान लें कि CSV फ़ाइल के रूप में हमारा डेटासेट निम्नलिखित

सीबॉर्न में लाइनप्लॉट का उपयोग कई सिमेंटिक ग्रुपिंग की संभावना के साथ एक लाइन प्लॉट बनाने के लिए किया जाता है। इसके लिए Seaborn.lineplot() का इस्तेमाल किया जाता है। संपूर्ण डेटासेट के साथ लाइनप्लॉट प्लॉट करने के लिए, बस लाइनप्लॉट () का उपयोग करें और x और y मानों का उल्लेख किए बिना उसमें संपूर्ण डेटा

सभी स्तंभों के साथ समूहबद्ध क्षैतिज बार चार्ट के लिए, barh() का उपयोग करके एक बार चार्ट बनाएं और a और y मान सेट न करें। सबसे पहले, आवश्यक पुस्तकालयों को आयात करें - pdimport matplotlib.pyplot को plt के रूप में आयात करें 3 कॉलम के साथ डेटाफ़्रेम बनाएं - dataFrame =pd.DataFrame({Car:[Bentley, Lexus,

“विधि . का प्रयोग करें फ़िलना . का पैरामीटर () तरीका। बैकवर्ड फिल के लिए, bfill . मान का उपयोग करें जैसा कि नीचे दिखाया गया है - fillna(method='bfill') मान लें कि Microsoft Excel में कुछ NaN मानों के साथ खोली गई हमारी CSV फ़ाइल निम्नलिखित है - सबसे पहले, आवश्यक पुस्तकालय आयात करें - impo

NaN मान भरने के लिए इंटरपोलेट () विधि का उपयोग करें। मान लें कि Microsoft Excel में कुछ NaN मानों के साथ खोली गई हमारी CSV फ़ाइल निम्नलिखित है - CSV फ़ाइल से पंडों के डेटाफ़्रेम में डेटा लोड करें - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\SalesData.csv") NaN मानों को इंटरपोल

बॉक्स प्लॉट के शीर्ष पर झुंड प्लॉट को प्लॉट करने के लिए, पहले बॉक्सप्लॉट () और फिर स्वार्मप्लॉट () को समान x और y मानों के साथ सेट करें। सीबॉर्न में बॉक्स प्लॉट का उपयोग श्रेणियों के संबंध में वितरण दिखाने के लिए एक बॉक्स प्लॉट बनाने के लिए किया जाता है। इसके लिए Seaborn.boxplot() का इस्तेमाल किया ज

पांडा डेटाफ़्रेम से प्रारंभिक स्थान छोड़ने के लिए, स्किपिनिशियलस्पेस . का उपयोग करें read_csv . का पैरामीटर () तरीका। पैरामीटर को सत्य . पर सेट करें अतिरिक्त स्थान निकालने के लिए। मान लें कि निम्नलिखित हमारी csv फ़ाइल है - हमें निम्न आउटपुट प्राप्त करना चाहिए अर्थात प्रारंभिक व्हाइटस्पेस को छोड़

पंडों के डेटाफ़्रेम में अशक्त पंक्तियों को छोड़ने के लिए, ड्रॉपना () विधि का उपयोग करें। मान लें कि कुछ NaN यानी शून्य मानों वाली हमारी CSV फ़ाइल निम्नलिखित है - आइए read_csv() का उपयोग करके CSV फ़ाइल पढ़ें। हमारा सीएसवी डेस्कटॉप पर है - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\Ca

notnull() विधि एक बूलियन मान लौटाती है, यानी यदि डेटाफ़्रेम में शून्य मान है, तो गलत लौटाया जाता है, अन्यथा सही। मान लें कि कुछ NaN यानी शून्य मानों वाली हमारी CSV फ़ाइल निम्नलिखित है - आइए सबसे पहले CSV फ़ाइल पढ़ें - dataFrame = pd.read_csv("C:\\Users\\amit_\\Desktop\\CarRecords.csv")

डेटाफ़्रेम से मल्टीइंडेक्स बनाने के लिए, मल्टीइंडेक्स का उपयोग करें। from_frame () विधि। सबसे पहले, हम सूचियों का एक शब्दकोश बनाते हैं - d = {'Car': ['BMW', 'Lexus', 'Audi', 'Mercedes', 'Jaguar', 'Bentley'],'Date_of_purchase': ['202

दो पांडा डेटाफ़्रेम को सामान्य कॉलम के साथ मर्ज करने के लिए, मर्ज () . का उपयोग करें कार्य करें और चालू . सेट करें स्तंभ नाम के रूप में पैरामीटर। बेजोड़ मानों के लिए NaN सेट करने के लिए, कैसे . का उपयोग करें ” पैरामीटर और इसे बाएं सेट करें या दाएं . इसका मतलब होगा, बाएँ या दाएँ विलय करना। सबसे पहले

पांडा डेटाफ़्रेम को मर्ज करने के लिए, मर्ज () . का उपयोग करें समारोह। कार्टेशियन उत्पाद को कैसे . के अंतर्गत सेट करके दोनों डेटाफ़्रेम पर लागू किया जाता है मर्ज () फ़ंक्शन का पैरामीटर यानी − how = “cross” सबसे पहले, आइए एक उपनाम के साथ पांडा पुस्तकालय को आयात करें - import pandas as pd

पांडा डेटाफ़्रेम को मर्ज करने के लिए, मर्ज () . का उपयोग करें समारोह। एक-से-अनेक संबंध सत्यापित करें . के अंतर्गत सेटिंग करके दोनों डेटाफ़्रेम पर कार्यान्वित किया जाता है मर्ज () फ़ंक्शन का पैरामीटर यानी - validate = “one-to-many” or validate = “1:m” एक-से-अनेक संबंध जाँचता

मान नाम और गणना निकालने के लिए, आइए पहले 4 कॉलम के साथ एक DataFrame बनाएं - dataFrame = pd.DataFrame({"Car": ['BMW', 'Mustang', 'Tesla', 'Mustang', 'Mercedes', 'Tesla', 'Audi'],"Cubic Capacity": [2000, 1800, 1500, 2500, 2200

पहले समूह मानों की गणना करने के लिए, groupby.first() विधि का उपयोग करें। सबसे पहले, आवश्यक पुस्तकालय को एक उपनाम के साथ आयात करें - import pandas as pd; 3 कॉलम के साथ डेटाफ़्रेम बनाएं - dataFrame = pd.DataFrame(    {       "Car": ['BMW', 'Lexus', &