डेटाफ्रेम के सांख्यिकीय सारांश की गणना करने के लिए, describe() मेथड का उपयोग करें। पहले, हमने निम्नलिखित पैंडास लाइब्रेरी को एक उपनाम के साथ आयात किया है: import pandas as pd निम्नलिखित हमारी CSV फ़ाइल है और हम एक पैंडास डेटाफ्रेम बना रहे हैं: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\CarR

लापता मानों यानी NaN मानों को हटाने के लिए, dropna() मेथड का उपयोग करें। पहले, आवश्यक लाइब्रेरी आयात करें: import pandas as pd CSV पढ़ें और एक डेटाफ्रेम बनाएं: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\CarRecords.csv) लापता मानों को हटाने के लिए dropna() का उपयोग करें। dropna() का उपयोग कर

डेटाफ्रेम के कॉलम का नाम बदलने के लिए, rename() मेथड का उपयोग करें। उन कॉलम नामों को सेट करें जिन्हें आप rename() मेथड के columns पैरामीटर के तहत बदलना चाहते हैं। उदाहरण के लिए, Car कॉलम को Car Name में बदलना: dataFrame.rename(columns={Car: Car Name}, inplace=False) पहले CSV पढ़ें और एक डेटाफ्रेम ब

एक नया कॉलम बनाने के लिए, हम पहले से बने कॉलम का उपयोग करेंगे। पहले, आइए एक डेटाफ्रेम बनाएं और हमारी CSV पढ़ें: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesRecords.csv) अब, हम पहले से बने कॉलम Reg_Price से एक नया कॉलम New_Reg_Price बनाएंगे और प्रत्येक मान में 100 जोड़कर एक नया कॉलम बनाए

हम शर्तें सेट करके डेटाफ्रेम पंक्तियाँ प्राप्त कर सकते हैं। ये शर्तें तार्किक ऑपरेटर्स और यहां तक कि संबंधपरक ऑपरेटर्स का उपयोग करके सेट की जा सकती हैं। पहले आवश्यक पैंडास लाइब्रेरी आयात करें: import pandas as pd आइए एक डेटाफ्रेम बनाएं और हमारी CSV फ़ाइल पढ़ें: dataFrame = pd.read_csv(C:\\Users\\am

सीबॉर्न में बार प्लॉट का उपयोग बिंदु अनुमान और विश्वास अंतराल को आयताकार बार के रूप में दिखाने के लिए किया जाता है। seaborn.barplot() का उपयोग किया जाता है। facecolor, linewidth और edgecolor पैरामीटर्स का उपयोग करके बार्स को स्टाइल करें। मान लीजिए निम्नलिखित हमारा डेटासेट CSV फ़ाइल के रूप में है -

सीबॉर्न में लाइनप्लॉट का उपयोग कई सिमेंटिक ग्रुपिंग की संभावना के साथ लाइन प्लॉट बनाने के लिए किया जाता है। इसके लिए seaborn.lineplot() का उपयोग किया जाता है। संपूर्ण डेटासेट के साथ लाइनप्लॉट बनाने के लिए, बस lineplot() का उपयोग करें और x और y मानों का उल्लेख किए बिना पूरा डेटासेट इसमें सेट करें। म

सभी कॉलम के साथ ग्रुप्ड क्षैतिज बार चार्ट के लिए, barh() का उपयोग करके बार चार्ट बनाएं और x और y मान सेट न करें। पहले आवश्यक लाइब्रेरी आयात करें: import pandas as pd import matplotlib.pyplot as plt 3 कॉलम के साथ एक डेटाफ्रेम बनाएं: dataFrame = pd.DataFrame({Car: [Bentley, Lexus, BMW, Mustang, Merce

fillna() मेथड के method पैरामीटर का उपयोग करें। बैकवर्ड फिल के लिए, मान bfill का उपयोग करें जैसा कि नीचे दिखाया गया है: fillna(method=bfill) मान लीजिए निम्नलिखित हमारी CSV फ़ाइल है जिसे माइक्रोसॉफ्ट एक्सेल में कुछ NaN मानों के साथ खोला गया है: पहले आवश्यक लाइब्रेरी आयात करें: import pandas as pd C

NaN मान भरने के लिए interpolate() मेथड का उपयोग करें। मान लीजिए निम्नलिखित हमारी CSV फ़ाइल है जिसे माइक्रोसॉफ्ट एक्सेल में कुछ NaN मानों के साथ खोला गया है: CSV फ़ाइल से डेटा लोड करके पैंडास डेटाफ्रेम में डालें: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv) interpolate() के साथ

बॉक्स प्लॉट के ऊपर स्वार्म प्लॉट प्लॉट करने के लिए, पहले boxplot() सेट करें और फिर समान x और y मानों के साथ swarmplot()। सीबॉर्न में बॉक्स प्लॉट का उपयोग श्रेणियों के संबंध में वितरण दिखाने के लिए बॉक्स प्लॉट बनाने के लिए किया जाता है। इसके लिए seaborn.boxplot() का उपयोग किया जाता है। सीबॉर्न में स

पैंडास डेटाफ्रेम से प्रारंभिक स्पेस छोड़ने के लिए, read_csv() मेथड के skipinitialspace पैरामीटर का उपयोग करें। पैरामीटर को अतिरिक्त स्पेस हटाने के लिए True पर सेट करें। मान लीजिए निम्नलिखित हमारी csv फ़ाइल है: हमें निम्नलिखित आउटपुट मिलना चाहिए यानी प्रारंभिक व्हाइटस्पेस छोड़कर CSV से डेटाफ्रेम प्

पैंडास डेटाफ्रेम में नल पंक्तियों को हटाने के लिए, dropna() मेथड का उपयोग करें। मान लीजिए निम्नलिखित हमारी CSV फ़ाइल है जिसमें कुछ NaN यानी नल मान हैं: read_csv() का उपयोग करके CSV फ़ाइल पढ़ें। हमारा CSV डेस्कटॉप पर है: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\CarRecords.csv) dropna() का

notnull() मेथड एक बूलियन मान लौटाता है यानी यदि डेटाफ्रेम में नल मान हैं, तो False लौटाया जाता है, अन्यथा True। मान लीजिए निम्नलिखित हमारी CSV फ़ाइल है जिसमें कुछ NaN यानी नल मान हैं: पहले CSV फ़ाइल पढ़ें: dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\CarRecords.csv) नल नहीं मानों की जांच करे

डेटाफ्रेम से मल्टीइंडेक्स बनाने के लिए, MultiIndex.from_frame() मेथड का उपयोग करें। पहले, सूचियों का एक डिक्शनरी बनाएं: d = {Car: [BMW, Lexus, Audi, Mercedes, Jaguar, Bentley], Date_of_purchase: [2020-10-10, 2020-10-12, 2020-10-17, 2020-10-16, 2020-10-19, 2020-10-22]} अब, उपरोक्त सूचियों के डि

सामान्य कॉलम के साथ दो पैंडास डेटाफ्रेम मर्ज करने के लिए, merge() फ़ंक्शन का उपयोग करें और ON पैरामीटर को कॉलम नाम के रूप में सेट करें। अमेल खातों के लिए NaN सेट करने के लिए, how पैरामीटर का उपयोग करें और इसे left या right पर सेट करें। इसका मतलब होगा, बाएं या दाएं मर्ज करना। पहले, उपनाम के साथ पैंड

पैंडास डेटाफ्रेम मर्ज करने के लिए, merge() फ़ंक्शन का उपयोग करें। कार्टेशियन उत्पाद को मर्ज() फ़ंक्शन के how पैरामीटर के तहत दोनों डेटाफ्रेम पर सेट करके लागू किया जाता है: how = cross पहले, उपनाम के साथ पैंडास लाइब्रेरी आयात करें: import pandas as pd डेटाफ्रेम1 बनाएं: dataFrame1 = pd.DataFrame(

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

मान नाम और काउंट निकालने के लिए, पहले 4 कॉलम के साथ एक डेटाफ्रेम बनाएं: dataFrame = pd.DataFrame({Car: [BMW, Mustang, Tesla, Mustang, Mercedes, Tesla, Audi], Cubic Capacity: [2000, 1800, 1500, 2500, 2200, 3000, 2000], Reg Price: [7000, 1500, 5000,

ग्रुप मानों का पहला मान प्राप्त करने के लिए, groupby.first() मेथड का उपयोग करें। पहले एक उपनाम के साथ आवश्यक लाइब्रेरी आयात करें: import pandas as pd; 3 कॉलम के साथ एक डेटाफ्रेम बनाएं: dataFrame = pd.DataFrame( { Car: [BMW, Lexus, BMW, Tesla, Lexus, Tesla], Place: [Delhi,Bangalo