3.1 : Installer et utiliser Pandas3.2 : Présentation des objets de PandasL’objet Series de PandasSeries : un tableau NumPy généraliséSeries : un dictionnaire spécialiséConstruction d’objets SeriesL’objet DataFrame de PandasDataFrame : un tableau NumPy généraliséDataFrame : un dictionnaire spécialiséConstruction d’un objet DataFrameL’objet Index de PandasIndex : un tableau immuableIndex : un ensemble ordonné3.3 : Indexation et sélection de donnéesSélection de données dans SeriesL’objet Series : un dictionnaireL’objet Series : un tableau à une dimensionLes indexeurs loc, iloc et ixSélection de données et DataFrameL’objet DataFrame : un dictionnaireL’objet DataFrame : un tableau à deux dimensionsAutres conventions d’indexation3.4 : Opérations sur les données PandasPréservation des index avec les ufuncsFonctions ufuncs et alignement d’indexAlignement des index dans SeriesAlignement des index dans DataFrameOpérations ufuncs entre DataFrame et Series3.5 : Gestion des données manquantesCompromis conventionnels des données manquantesDonnées manquantes dans PandasNone : données manquantes de style PythonNaN : données numériques manquantesNaN et None dans PandasOpérations avec des valeurs nullesDétection de valeurs nullesÉlimination des valeurs nullesRemplacement des valeurs nulles3.6 : Indexation hiérarchiqueUn objet Series à index multipleUne mauvaise approcheUne meilleure approche : MultiIndex de PandasMultiIndex en tant que dimension supplémentaireMéthode de création de MultiIndexConstructeur explicite de multi-indexNoms des niveaux de MultiIndexMultiIndex de colonnesIndexation et tranchage d’un MultiIndexObjets Series multi-indexésObjets DataFrame multi-indexésRéorganisation d’un multi-indexIndex triés et non triésEmpilement et dépilement d’indexset_index et reset_indexAgrégation de données sur multi-index3.7 : Combinaison de jeux de données avec concat et appendUn rappel sur la concaténation des tableaux NumPyConcaténation simple avec pd.concat()Index dupliquésConcaténation avec jointuresLa méthode append()3.8 : Combinaison de jeux de données avec merge et joinAlgèbre relationnelleCatégorie de jointuresJointure un-vers-unJointure plusieurs-vers-unJointure plusieurs-vers-plusieursSpécification de la clé de fusionLe mot-clé onLes mots réservés left_on et right_onLes mots réservés left_index et right_indexArithmétique des ensembles et fusionsSuffixes et conflits de noms de colonnesExemple : données démographiques des USA3.9 : Agrégations et groupementsDonnées des exoplanètesUne agrégation simple dans PandasGroupBy : Split-Apply-CombineSélectionner, appliquer, combinerL’objet GroupByAgréger, filtrer, transformer, appliquerSpécification de la clé de distribution splitExemple de groupement3.10 : Tableaux croisés dynamiques ou tableaux pivotsDonnées de test des tableaux pivotsTableaux croisés manuelsSyntaxe des tableaux croisésTableaux croisés multiniveauxAutres options des tableaux croisésUn exemple : naissances au cours du tempsExploration détaillée3.11 : Opérations vectorisées sur les chaînesAperçu des opérations chaînes PandasListe des méthodes de chaînes PandasMéthodes similaires aux méthodes de chaînes PythonMéthodes exploitant les expressions régulièresAutres méthodes chaînes3.12 : Traitement des données temporellesLes dates et les heures dans PythonDates et heures natives (datetime et dateutil)Tableaux temporels typés : le type datetime64 de NumPyLes dates et les heures de Pandas : le meilleur des deux mondesSéries temporelles de Pandas : chrono-indexationStructures de données temporelles de PandasSéquences temporelles homogènes avec pd.date_range()Codes de fréquence et décalagesRééchantillonage, décalage et fenêtrageRééchantillonage et conversion de fréquencesDécalage temporelFenêtre mobilePour en savoir plusExemple : comptage des bicyclettes à SeattleVisualisation des donnéesPlongée dans les données3.13 : Hautes performances Pandas avec eval() et query()query() et eval() pour les expressions compositesOpérations efficaces avec pandas.eval()Quelques opérations proposées par pd.eval()DataFrame.eval() pour les opérations par colonnesAffectations dans DataFrame.eval()Les variables locales dans DataFrame.eval()La méthode DataFrame.query()Domaine d’utilisation de ces fonctions3.14 : Autres ressourcesDocumentation en ligne de PandasAnalyse de données avec Python par Wes McKinneyStack OverflowPandas sur PyVideo