🐼 آموزش کاربردی Pandas: جعبه‌ابزار تحلیل داده در پایتون

مقدمه

اگر بخوای با داده‌ها در پایتون کار کنی، تقریباً غیرممکنه که با Pandas سروکار نداشته باشی. Pandas یکی از قوی‌ترین و محبوب‌ترین کتابخانه‌های پایتونه که برای پردازش، تحلیل، فیلتر، مرتب‌سازی و خلاصه‌سازی داده‌ها استفاده می‌شه.

در این آموزش، پرکاربردترین قابلیت‌های Pandas رو با مثال‌هایی ساده بررسی می‌کنیم.

---

۱. شروع کار با Pandas

اول باید Pandas رو نصب و وارد کنیم:

                                    pip install pandas
                                   import pandas as pd

---

۲. خواندن داده‌ها (Import)

               df = pd.read_csv('data.csv')  # خواندن فایل CSV
                df = pd.read_excel('file.xlsx')  # خواندن فایل اکسل

---

۳. نمایش اولیه داده‌ها

                            ()df.head     # نمایش ۵ ردیف اول
                                 ()df.tail     # نمایش ۵ ردیف آخر
                              ()df.shape      # تعداد سطر و ستون
                         ()df.info     # اطلاعات کلی درباره ستون‌ها
                      ()df.describe # آمار خلاصه‌ای از ستون‌های عددی

---

۴. انتخاب و فیلتر کردن داده‌ها

                   df['column_name']       # انتخاب یک ستون
                        df[['col1', 'col2']]    # انتخاب چند ستون

                      df[df['age'] > 30]      # فیلتر بر اساس شرط
                                  df[df['gender'] == 'female']

---

۵. افزودن یا تغییر ستون

 df['new_col'] = df['price'] * 1.2  # ستون جدید با عملیات روی ستون‌های دیگر  df['discount'] = 1000   # مقدار ثابت برای همه سطرها

---

۶. حذف سطر یا ستون

  df.drop('column_name', axis=1, inplace=True)  # حذف ستون        df.drop(0, axis=0, inplace=True  # حذف سطر با ایندکس 0

---

۷. مرتب‌سازی داده‌ها

                  df.sort_values('age')  # بر اساس یک ستون
     df.sort_values(['age', 'income'], ascending=[True, False])

---

۸. گروه‌بندی (GroupBy)

()df.groupby('gender')['income'].mean  # میانگین درآمد بر اساس جنسیت
                  ()df.groupby('category').sum

---

۹. پاک‌سازی داده‌ها

          ()df.isnull().sum  # شمارش مقادیر گمشده
df.dropna(inplace=True)   # حذف سطرهایی که مقدار گمشده دارند
    df.fillna(0, inplace=True)  # جایگزینی مقادیر گمشده با صفر

---

۱۰. تغییر نام ستون‌ها

        df.rename(columns={'old': 'new'}, inplace=True)
 df.columns = ['name', 'age', 'salary']  # تغییر همه ستون‌ها

---

۱۱. ذخیره داده‌ها

                     df.to_csv('output.csv', index=False)
                df.to_excel('output.xlsx', index=False)

---

✅ جمع‌بندی

کتابخانه Pandas مثل یک چاقوی سوئیسی برای تحلیل داده در پایتونه. با استفاده از ابزارهایی مثل groupby, filter, sort, و describe، می‌تونی به راحتی با داده‌ها کار کنی و بینش‌های ارزشمندی ازشون استخراج کنی.

---

📌 پیشنهاد مطالعه بعدی:

پروژه عملی تحلیل فروش فروشگاه

آموزش تصویری ساخت داشبورد با Pandas و Matplotlib

ترکیب Pandas با NumPy برای تحلیل‌های عددی