Python Data Science Handbook, 2. Auflage

Kapitel 15. Operieren mit Daten in Pandas

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Eine der Stärken von NumPy ist, dass es uns erlaubt, schnelle elementweise Operationen durchzuführen, sowohl mit Grundrechenarten (Addition, Subtraktion, Multiplikation usw.) als auch mit komplizierteren Operationen (trigonometrische Funktionen, exponentielle und logarithmische Funktionen usw.). Pandas erbt einen Großteil dieser Funktionalität von NumPy, und die in Kapitel 6 vorgestellten ufuncs sind der Schlüssel dazu.

Pandas bietet jedoch einige nützliche Funktionen: Bei unären Operationen wie Negation und trigonometrischen Funktionen behalten diese Ufuncs Index- und Spaltenbeschriftungen in der Ausgabe bei, und bei binären Operationen wie Addition und Multiplikation richtet Pandas die Indizes automatisch aus, wenn die Objekte an die Ufunc übergeben werden. Das bedeutet, dass das Beibehalten des Kontexts von Daten und das Kombinieren von Daten aus verschiedenen Quellen - beides potenziell fehleranfällige Aufgaben mit rohen NumPy-Arrays - mit Pandas im Wesentlichen narrensicher werden. Wir werden außerdem sehen, dass es wohldefinierte Operationen zwischen eindimensionalen Series Strukturen und zweidimensionalen DataFrame Strukturen gibt.

Ufuncs: Index-Erhaltung

Da Pandas für die Zusammenarbeit mit NumPy entwickelt wurde, funktioniert jede NumPy-ufunc auch mit den Pandas-Objekten Series und DataFrame. Beginnen ...