Avis des lecteurs
Résumé:Dans l'ensemble, les critiques soulignent que ce livre est une introduction pratique à Pandas, particulièrement utile pour les débutants et ceux qui cherchent à appliquer rapidement leurs compétences en matière d'analyse de données. Les lecteurs apprécient les explications claires et les exemples pratiques, bien que certaines critiques portent sur le contenu obsolète, les problèmes de formatage et la présence de matériel de remplissage. Les lecteurs le trouvent moins complet en tant que référence que les autres livres Pandas.
Avantages:⬤ Des explications claires et des exemples pratiques qui facilitent la compréhension.
⬤ Pratique pour les applications d'analyse de données, particulièrement remarqué pour son utilité dans les tâches liées à l'emploi.
⬤ Bonne ressource d'introduction pour les débutants et les étudiants.
⬤ Des ressources complémentaires, comme les carnets GitHub, apportent un soutien supplémentaire.
⬤ Concis et répondant directement aux besoins de l'utilisateur sans trop de détails.
⬤ Contient des fautes de frappe et des informations obsolètes ; certains recommandent de vérifier la dernière édition.
⬤ Certains évaluateurs trouvent que le formatage et l'utilisation de matériel de remplissage nuisent à la qualité du contenu.
⬤ Manque d'approfondissement de certaines méthodes et de certains sujets par rapport à d'autres ouvrages de référence Pandas.
⬤ Nécessite un effort externe pour accéder aux exemples fournis dans le texte.
⬤ Certains considèrent qu'il n'est pas adapté à des études approfondies.
(basé sur 69 avis de lecteurs)
Titre original :
Pandas for Everyone: Python Data Analysis
Contenu du livre :
Introduction pratique et riche en exemples à l'analyse de données Pandas en Python.
Aujourd'hui, les analystes doivent gérer des données caractérisées par une variété, une vitesse et un volume extraordinaires. Grâce à la bibliothèque open source Pandas, vous pouvez utiliser Python pour automatiser et exécuter rapidement pratiquement n'importe quelle tâche d'analyse de données, quelle qu'en soit la taille ou la complexité. Pandas peut vous aider à garantir la véracité de vos données, à les visualiser pour prendre des décisions efficaces et à reproduire de manière fiable des analyses sur plusieurs ensembles de données.
Pandas pour tous rassemble des connaissances pratiques et des idées pour résoudre des problèmes réels avec Pandas, même si vous êtes novice en matière d'analyse de données Python. Daniel Y. Chen présente les concepts clés à l'aide d'exemples simples mais pratiques, en s'appuyant progressivement sur eux pour résoudre des problèmes plus difficiles du monde réel.
Chen vous donne un coup de pouce pour utiliser Pandas avec un ensemble de données réaliste et couvre la combinaison d'ensembles de données, le traitement des données manquantes et la structuration des ensembles de données pour faciliter l'analyse et la visualisation. Il démontre de puissantes techniques de nettoyage de données, de la manipulation de chaînes de caractères de base à l'application simultanée de fonctions à travers des cadres de données.
Une fois que vos données sont prêtes, Chen vous guide dans l'ajustement de modèles pour la prédiction, le regroupement, l'inférence et l'exploration. Il vous donne des conseils sur les performances et l'évolutivité, et vous présente l'écosystème plus large de l'analyse de données en Python.
⬤ Vous pouvez travailler avec les DataFrames et les Series, et importer ou exporter des données.
⬤ Créez des graphiques avec matplotlib, seaborn et pandas.
⬤ Combiner des ensembles de données et gérer les données manquantes.
⬤ Remodeler, mettre en ordre et nettoyer les ensembles de données afin qu'ils soient plus faciles à manipuler.
⬤ Convertir les types de données et manipuler les chaînes de texte.
⬤ Appliquer des fonctions pour échelonner les manipulations de données.
⬤ Agréger, transformer et filtrer de grands ensembles de données à l'aide de groupby.
⬤ Exploiter les fonctionnalités avancées de Pandas en matière de date et d'heure.
⬤ Ajuster des modèles linéaires en utilisant les bibliothèques statsmodels et scikit-learn.
⬤ Utilisez la modélisation linéaire généralisée pour ajuster des modèles avec différentes variables de réponse.
⬤ Comparer plusieurs modèles pour sélectionner le "meilleur".
⬤ Régulariser pour surmonter l'ajustement excessif et améliorer les performances.
⬤ Utiliser le clustering dans l'apprentissage automatique non supervisé.
Autres informations sur le livre :
| ISBN : | 9780134546933 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2018 |
| Nombre de pages : | 416 |
Achat:
Actuellement disponible, en stock.
