Utilizzare i Data Frame di Pandas in modo più efficace con le 7 principali operazioni sulle colonne

'Utilizzare i Data Frame di Pandas in modo più efficace con 7 operazioni sulle colonne'

La guida completa per eseguire le migliori 7 operazioni sulle colonne di Pandas, in modi diversi

Quando si tratta di analisi dei dati, Pandas è la libreria Python più utilizzata per manipolare e preparare i dati per ulteriori analisi e apprendimento automatico.

La realtà è che Pandas è una libreria molto flessibile e può essere utilizzata anche per convertire formati di file.

Tuttavia, anche se utilizziamo alcune funzionalità di Pandas quasi ogni giorno, spendiamo molto tempo a cercare su Google come fare qualcosa in Pandas.

Lo so, ti ho sorpreso!

Ma diciamocelo: alcune funzionalità sono difficili da ricordare, forse perché possiamo raggiungere lo stesso obiettivo con metodi diversi. Quindi, non c’è niente di cui vergognarsi se cerchiamo le stesse cose su Google ogni giorno.

Tuttavia, risparmiare tempo è sempre una buona idea. Per questo motivo, in questo articolo, esamineremo le 7 migliori funzioni per manipolare le colonne di Pandas. In questo modo non avrai più bisogno di cercarle su Google: devi solo salvare questo articolo (magari, aggiungerlo ai segnalibri) e tornarci ogni volta che ne hai bisogno.

Ecco cosa troverai qui:

Indice: come creare una nuova colonna di PandasCome aggiungere una nuova colonna a un data frame di PandasCome rinominare una colonna in PandasCome eliminare una colonna di PandasCome trovare valori unici in una colonna di PandasCome trasformare una colonna di Pandas in una listaCome ordinare un data frame di Pandas per colonna

Come creare una nuova colonna di Pandas

Prima di tutto, ricordiamo che una colonna di Pandas è anche chiamata una serie di Pandas. Ciò significa che un data frame di Pandas è una collezione ordinata di serie di Pandas.

Esistono alcuni metodi per creare una nuova colonna di Pandas. Vediamoli tutti.

Crea una colonna di Pandas come una serie di Pandas

Il metodo corretto per creare una colonna di Pandas che si pensa “viva” da sola è attraverso il metodo delle serie di Pandas, come segue:

# Crea una serie di Pandas
serie = pd.Series([6, 12, 18, 24])
# Stampa la serie di Pandas
print(serie)
>>>  0     6  1    12  2    18  3    24  dtype: int64

Ho detto “il metodo corretto” perché, come abbiamo detto, una colonna di Pandas è una serie di Pandas. Quindi, se abbiamo solo bisogno di una singola colonna, dovremmo usare questo metodo se vogliamo essere ” formalmente corretti”.

Crea una colonna di Pandas come un data frame di Pandas

Tuttavia, la realtà è che non avremo spesso bisogno di una colonna da sola.

Quindi, un altro modo per creare una colonna di Pandas è creare un nuovo data frame di Pandas con una sola colonna: in questo modo, potremmo arricchirlo in un secondo momento con altre colonne.

Possiamo farlo così:

import pandas as pd
# Crea una colonna di Pandas come un data frame di Pandas
df = pd.DataFrame({'A': [1, 2, 3, 4]})
# Stampa il data frame di Pandas
print(df)
>>>     A  
0  1  
1  2  
2  3  
3  4

Quindi, qui la differenza con l’esempio precedente è che, in questo caso, la colonna di Pandas ha anche un nome. In questo caso, l’abbiamo chiamata “A”.

NOTA: Se guardiamo più da vicino ciò che abbiamo fatto qui, possiamo vedere che possiamo creare un data frame di Pandas come un dizionario. Infatti, "A" è la chiave ed è separata da una lista di valori da due punti. Poi, sia le chiavi che i valori sono all'interno delle parentesi graffe.

Creare una colonna Pandas come un data frame Pandas, partendo da un array NumPy

Uno dei superpoteri di Pandas è che può “accettare” array NumPy come valori di input. In altre parole, possiamo creare un data frame partendo da un array NumPy.

Nel caso di una singola colonna, possiamo creare un array unidimensionale e trasformarlo in un data frame: questo risultato in un data frame con una singola colonna.

Possiamo farlo in questo modo:

import numpy as npimport pandas as pd# Creare un array NumPyvalues = np.array([5, 10, 15, 20])# Trasformare l'array in un data frame Pandasdf = pd.DataFrame(values)# Stampare il data frameprint(df)>>>    00   51  102  153  20

Come aggiungere una nuova colonna a un data frame Pandas

La possibilità di aggiungere una nuova colonna a un data frame Pandas è in qualche modo correlata alla creazione di una nuova colonna.

Ciò che intendo qui è che prima dobbiamo creare un data frame Pandas, quindi una singola colonna Pandas, quindi dobbiamo aggiungere la colonna al data frame.

Anche in questo caso abbiamo molteplici possibilità per farlo. Vediamole tutte.

Aggiungere una nuova colonna a un data frame Pandas: il metodo standard

Il metodo standard per aggiungere una nuova colonna a un data frame Pandas è quello di creare il data frame, quindi creare una colonna separata, quindi aggiungerla al data frame.

Utilizzeremo questo metodo in tutti gli esempi seguenti. Quindi, ecco come possiamo farlo:

import pandas as pd# Creare un DataFramedf = pd.DataFrame({'A': [1, 2, 3, 4]})# Aggiungere una nuova colonna utilizzando una lista di valoridf['B'] = [20, 30, 40, 50]# Stampare il data frameprint(df)>>>   A   B0  1  201  2  302  3  403  4  50

Quindi, analizziamo cosa abbiamo fatto passo dopo passo:

Abbiamo creato un data frame Pandas con il metodo pd.DataFrame().
Abbiamo creato una nuova colonna con df['B'], significa che abbiamo chiamato questa nuova colonna “B”.
Abbiamo assegnato i valori alla colonna appena creata, con una lista di numeri.

Quindi, qual è un altro metodo per creare una nuova colonna? È utilizzando una lista di numeri, se abbiamo già un data frame.

Aggiungere una nuova colonna a un data frame Pandas: applicare funzioni

Il potere del metodo standard per aggiungere una nuova colonna a un data frame esistente ci dà la possibilità di creare una nuova colonna e aggiungerla a un data frame esistente, tutto in una sola riga di codice.

Ad esempio, diciamo che vogliamo creare due nuove colonne come combinazione di una colonna esistente. Possiamo farlo applicando funzioni alle colonne esistenti in questo modo:

import pandas as pd# Creare un DataFramedf = pd.DataFrame({'A': [1, 2, 3, 4]})# Creare una colonna raddoppiando i valori della colonna Adf['B'] = df['A'] * 2# Applicare una funzione lambda alla colonna A per creare la colonna Cdf['C'] = df['A'].apply(lambda x: x ** 2)# Stampare il data frameprint(df)>>>   A  B   C0  1  2   11  2  4   42  3  6   93  4  8  16

Quindi, ecco cosa abbiamo fatto:

Abbiamo creato una colonna Pandas (“A”) come data frame.
Abbiamo creato la colonna “B” raddoppiando i valori della colonna “A”.
Abbiamo creato la colonna “C” applicando una funzione lambda alla colonna “A”. In particolare, in questo caso, stiamo elevando al quadrato i valori della colonna “A”.

Tutte queste colonne sono memorizzate insieme in un unico dataframe.

Aggiunta di una nuova colonna a un data frame Pandas: utilizzando Pandas series o singole colonne Pandas

Ovviamente, possiamo aggiungere colonne a un data frame Pandas anche quando le colonne sono Pandas series o Pandas data frame.

Ecco come possiamo farlo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 4]})# Creazione di una nuova colonna utilizzando pd.Series()
values = pd.Series([5, 10, 15, 20]) # Creazione di una series
df['B'] = values # Aggiunta della series al data frame come colonna# Stampa del data frame
print(df)>>>   A   B
0  1   5
1  2  10
2  3  15
3  4  20

Quindi, nel caso sopra descritto, abbiamo creato una serie Pandas e l’abbiamo aggiunta al data frame esistente assegnandogli un nome.

Nel caso di una colonna Pandas creata come un data frame Pandas, abbiamo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [5, 6, 7, 8]})# Creazione di una colonna Pandas come un data frame
df['C'] = pd.DataFrame({'C': [9, 10, 11, 12]})# Stampa del data frame
print(df)>>>   A  B   C
0  1  5   9
1  2  6  10
2  3  7  11
3  4  8  12

E qui siamo.

NOTA: ovviamente, la stessa metodologia può essere applicata se creiamo una colonna come un array NumPy. Non mostreremo il metodo qui poiché "il gioco" dovrebbe essere chiaro.

Come rinominare una colonna in Pandas

La rinomina di una colonna Pandas (o più di una) è un’altra tipica attività quotidiana che dobbiamo svolgere, ma che spesso non riusciamo a ricordare.

Anche in questo caso, abbiamo diversi metodi per farlo. Vediamoli tutti.

Come rinominare una colonna Pandas: il metodo rename()

Possiamo rinominare una colonna Pandas con il metodo rename() in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Rinomina di una singola colonna
df = df.rename(columns={'A': 'NuovoA'})# Stampa del data frame
print(df)>>>     NuovoA  B
0       1    4
1       2    5
2       3    6

Quindi, è come se stessimo usando un dizionario. All’interno del metodo rename(), infatti, dobbiamo passare l’argomento columns e specificare il nome effettivo e il nuovo nome all’interno delle parentesi graffe, separandoli con due punti. Proprio come facciamo nei dizionari.

Ovviamente, possiamo usare questo metodo per rinominare più colonne come segue:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Rinomina di più colonne
df = df.rename(columns={'A': 'NuovoA', 'B': 'NuovoB'})# Stampa del data frame
print(df)>>>    NuovoA  NuovoB
0       1       4
1       2       5
2       3       6

E, di nuovo, è come se stessimo lavorando con dei dizionari.

Come rinominare una colonna Pandas: l’attributo column

Per rinominare una colonna Pandas (o più di una, come vedremo) possiamo utilizzare l’attributo columns in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Rinominazione di tutte le colonne
df.columns = ['NuovaA', 'NuovaB']# Stampa del DataFrame
print(df)>>>    NuovaA  NuovaB
0       1       4
1       2       5
2       3       6

Quindi, in questo caso, l’attributo columns ci permette di utilizzare una lista di stringhe per rinominare le colonne.

Come rinominare una colonna di Pandas: il metodo set_axis()

Per rinominare una (o più di una) colonna di Pandas possiamo utilizzare il metodo set_axis() nel seguente modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})# Rinominazione di tutte le colonne
df.set_axis(['NuovaA', 'NuovaB'], axis=1, inplace=True)# Stampa del DataFrame
print(df)>>>    NuovaA  NuovaB
0       1       4
1       2       5
2       3       6

Quindi, anche in questo caso, utilizziamo una lista di stringhe per rinominare le colonne, ma qui dobbiamo anche passare i parametri axis=1 e inplace=True perché il metodo set_axis() imposta gli assi a partire da zero, quindi li ricrea. Questo permette a questo metodo di rinominare le colonne.

Come rinominare una colonna di Pandas: utilizzando funzioni lambda

Quando dobbiamo gestire delle stringhe come nel caso dei nomi delle colonne di Pandas, possiamo utilizzare funzioni lambda per modificare i caratteri del testo.

Ad esempio, potremmo voler (o dover) rinominare le colonne semplicemente convertendo le lettere in minuscolo. Possiamo farlo nel seguente modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'COLONNA_1': [1, 2, 3], 'COLONNA_2': [4, 5, 6]})# Rinominazione delle colonne utilizzando una funzione lambda
df = df.rename(columns=lambda x: x.lower())  # Nomi delle colonne in minuscolo# Stampa del DataFrame
print(df)>>>    colonna_1  colonna_2
0          1          4
1          2          5
2          3          6

Ecco fatto.

Come eliminare una colonna di Pandas

Eliminare una colonna di Pandas (o più di una) è un’altra operazione che dobbiamo eseguire molto spesso. Forse perché i suoi valori non sono significativi, forse perché i suoi valori sono tutti NULL o per altre ragioni.

Per eseguire questa operazione abbiamo due metodi. Vediamoli entrambi.

Come eliminare una colonna di Pandas: utilizzando il metodo drop()

Il metodo tipico per eliminare una colonna di Pandas (o più di una) è utilizzare il metodo drop().

Qui l’unica cosa da tenere a mente è decidere se vogliamo eliminare alcune colonne e creare un nuovo DataFrame, o se vogliamo eliminarle e sostituire il DataFrame corrente.

Mostrerò la differenza:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})# Eliminazione di una colonna e sostituzione del DataFrame corrente
df = df.drop('A', axis=1)# Stampa del DataFrame aggiornato
print(df)>>>    B  C
0  4  7
1  5  8
2  6  9

Quindi, abbiamo eliminato la colonna “A” utilizzando il metodo drop() specificando il nome della colonna che volevamo eliminare e l’asse (axis=1 in Pandas indica la direzione verticale e deve essere specificato).

In questo caso, abbiamo deciso di sostituire il dataframe df. Quindi, alla fine del processo, il dataframe df non avrà la colonna “A”.

Invece, se vogliamo creare un altro dataframe, diciamo che lo chiamiamo df_2, dobbiamo farlo in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9], 'D': [10, 11, 12]})# Eliminazione di una colonna e sostituzione del dataframe correntedf_2 = df.drop(['A', 'D'], axis=1)# Stampa del nuovo dataframeprint(df_2)>>>   B  C0  4  71  5  82  6  9

Quindi, in questo caso, abbiamo eliminato due colonne e creato un nuovo dataframe con solo le colonne “B” e “C”.

Questo può essere utile se pensiamo di poter avere bisogno del dataframe originale df in futuro, per ulteriori analisi.

Come eliminare una colonna di Pandas: utilizzando l’indice della colonna

In Pandas, le colonne possono essere individuate tramite gli indici. Ciò significa che possiamo eliminarle utilizzando gli indici in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9], 'D': [10, 11, 12]})# Eliminazione di una colonna e aggiunta a un nuovo dataframe
df_2 = df.drop(df.columns[[0, 1]], axis=1)# Stampa del nuovo dataframe
print(df_2)>>>   C    D0  7   101  8   112  9   12

Quindi, in questo caso, abbiamo creato un nuovo dataframe con solo le colonne “C” e “D” e abbiamo eliminato le colonne “A” e “B” utilizzando i loro indici.

Ricordando che in Python si parte a contare da 0 (quindi, la prima colonna si trova all’indice 0 ed è la colonna “A”), dobbiamo dire che questo metodo potrebbe non essere ottimale se abbiamo decine di colonne per una semplice ragione: dovremmo trovarne una (o più di una) da eliminare contandole, il che è soggetto a errori.

Come trovare i valori unici in una colonna di Pandas

Trovare i valori unici in una colonna di Pandas è un’altra operazione che potremmo dover eseguire quotidianamente, poiché i valori duplicati devono essere trattati in modo particolare.

Anche in questo caso abbiamo un paio di metodi per farlo: uno mostra i duplicati in una colonna e l’altro li rimuove.

Vediamoli entrambi.

Come trovare i valori unici in una colonna di Pandas: utilizzando il metodo value_counts() per trovare i duplicati

Se vogliamo vedere se una colonna di Pandas ha valori duplicati e vogliamo anche vedere quanti sono, possiamo utilizzare il metodo value_counts() in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Trovare i valori unici in una colonna di Pandas
valori_unici = df['A'].value_counts()# Stampa dei valori unici
print(valori_unici)>>>1    23    22    1Name: A, dtype: int64

Quindi, il risultato qui indica che:

Il nome della colonna è “A” e i tipi sono tutti “int64”.
Abbiamo due 1.
Abbiamo due 3.
Abbiamo un 2.

Quindi, ci mostra i valori e ci dice quanti di essi sono presenti nella colonna di nostro interesse.

Come trovare valori unici in una colonna di Pandas: utilizzando il metodo drop_duplicates() per eliminare i duplicati

Se vogliamo eliminare i valori duplicati in una colonna di Pandas (perché sappiamo che ci sono duplicati), possiamo utilizzare il metodo drop_duplicates() in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Elimina i valori duplicati in una colonna di Pandas
valori_unici = df['A'].drop_duplicates()# Stampa i valori unici
print(valori_unici)>>>0    1
1    2
2    3

Quindi, abbiamo rimosso i duplicati dalla colonna “A”, creando una nuova colonna di Pandas chiamata valori_unici.

Come trovare valori unici in una colonna di Pandas: studiare un data frame

A questo punto, potresti chiederti: “Beh, se ho un grande data frame con decine di colonne, come posso sapere correttamente se alcune colonne hanno dei duplicati?”

Buona domanda! La cosa che possiamo fare è studiare prima l’intero data frame.

Ad esempio, potremmo voler vedere se ci sono colonne con duplicati. Possiamo farlo in questo modo:

import pandas as pd# Creazione di un DataFrame con duplicati
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 4], 'B': [5, 6, 6, 7, 8, 8]})# Verifica se ci sono duplicati nel DataFrame
ha_duplicati = df.duplicated().any()# Stampa il risultato
print(ha_duplicati)>>>True

Quindi, questo codice restituisce “True” se ci sono colonne con duplicati e “False” se non ci sono.

E se volessimo conoscere il nome delle colonne che effettivamente hanno duplicati? Possiamo farlo in questo modo:

import pandas as pd# Creazione di un DataFrame con duplicati
df = pd.DataFrame({'A': [1, 2, 2, 3, 4, 4], 'B': [5, 6, 6, 7, 8, 8]})# Trova righe duplicate
righe_duplicate = df.duplicated()# Stampa le righe duplicate
print(df[righe_duplicate])>>>   A  B
2  2  6
4  4  8

Quindi, il codice sopra mostra:

Le colonne con i duplicati.
I valori dei duplicati.

Ora possiamo indagare ulteriormente con il metodo value_counts() o eliminarli con il metodo drop_duplicates().

Come trasformare una colonna di Pandas in una lista

Trasformare una colonna di Pandas in una lista è una funzionalità utile che ci può dare la possibilità di “isolare” tutti i valori da una colonna di Pandas per metterli in una lista. Successivamente, possiamo fare qualsiasi cosa possiamo avere bisogno con una lista, che è facilmente gestibile (iterazione, ecc).

Abbiamo due possibilità per fare questa trasformazione.

Come trasformare una colonna di Pandas in una lista: utilizzando il metodo list()

Il metodo list() è una funzione integrata di Python che converte un oggetto iterabile in una lista. Possiamo usarlo in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,], 'C': [7, 8, 9, 10, 11]})# Trasforma la colonna di Pandas in una lista
lista_colonna = list(df['B'])# Stampa la lista
print(lista_colonna)>>>[4, 5, 6, 7, 8]

Quindi, abbiamo facilmente estratto i nostri valori e li abbiamo inseriti in una lista.

Come trasformare una colonna di Pandas in una lista: usando il metodo to_list()

Per ottenere lo stesso risultato, possiamo utilizzare il metodo to_list() di Pandas. Ma attenzione: è disponibile dalla versione 1.2.0 o successiva di Pandas.

Possiamo utilizzarlo in questo modo:

import pandas as pd# Creazione di un DataFrame df = pd.DataFrame({'A': [1, 2, 3, 1, 3], 'B': [4, 5, 6, 7, 8,],      'C': [7, 8, 9, 10, 11]})# Trasformazione di una colonna di Pandas in una lista column_list = df['B'].to_list()# Stampa della lista print(column_list)>>>[4, 5, 6, 7, 8]

E, ovviamente, abbiamo ottenuto lo stesso risultato di prima.

Come ordinare un data frame di Pandas per una colonna

Ci sono molte situazioni in cui abbiamo bisogno di ordinare le nostre colonne. Con ordine intendiamo la scelta di ordinare i dati in modo ascendente o discendente.

Possiamo raggiungere questo obiettivo con i seguenti metodi.

Come ordinare un data frame di Pandas per una colonna: utilizzando il metodo sort_values()

Per ordinare un data frame di Pandas per una colonna, possiamo utilizzare il metodo sort_values() in questo modo:

import pandas as pd# Creazione di un DataFrame df = pd.DataFrame({'A': [10, 2, 7, 1, 15], 'B': [4, 2, 6, 28, 8,],    'C': [7, 1, 9, 10, 19]})# Ordinamento di df per A in ordine ascendente df.sort_values('A', ascending=True, inplace=True)# Stampa del data frame ordinato print(df)>>>    A   B   C3   1  28  101   2   2   12   7   6   90  10   4   74  15   8  19

Quindi, come possiamo vedere, il data frame è stato ordinato con la colonna “A” in ordine ascendente. Infatti, se controlliamo:

Nel data frame iniziale, nella colonna “A” il numero 1 si trova nella quarta posizione. Nella colonna “B”, il numero 28 si trova nella quarta posizione.
Nel data frame ordinato, nella colonna “A”, il numero 1 si trova nella prima posizione. Nella colonna “B”, il numero 28 si trova nella prima posizione.

Quindi, ordiniamo il data frame ma non perdiamo le relazioni tra i valori delle colonne.

Una caratteristica molto utile di questo metodo è che può ordinare una colonna mettendo NaN come primi valori. Possiamo farlo in questo modo:

import pandas as pd# Creazione di un DataFrame df = pd.DataFrame({'A': [10, 0, 0, 1, 15], 'B': [4, 2, 6, 28, 8,],    'C': [7, 1, 15, 10, 19]})# Ordinamento di NaN all'inizio df.sort_values('A', ascending=True, inplace=True)# Stampa del data frame ordinato print(df)>>>    A   B   C1   0   2   12   0   6  153   1  28  100  10   4   74  15   8  19

Ecco fatto.

Come ordinare un data frame di Pandas per una colonna: utilizzando il metodo sort_index()

Possiamo anche ordinare un data frame per valore di indice in questo modo:

import pandas as pd# Creazione di un DataFrame
df = pd.DataFrame({'A': [10, 2, 7, 1, 15], 'B': [4, 2, 6, 28, 8,],    'C': [7, 1, 9, 10, 19]})# Ordinamento del DataFrame per indice
df.sort_index(inplace=True)# Stampa del DataFrame ordinato
print(df)>>>    A   B   C0  10   4   71   2   2   12   7   6   93   1  28  104  15   8  19

E, come possiamo vedere, gli indici sono ordinati (in modo crescente).

Conclusioni

In questo articolo, abbiamo visto le 7 principali operazioni sulle colonne di Pandas che eseguiamo praticamente ogni giorno.

Questa guida ti aiuterà a risparmiare molto tempo se la salvi, perché abbiamo eseguito lo stesso compito in modi diversi in modo da non doverli cercare su Google, risparmiando così molto tempo.

EBOOK PYTHON GRATUITO:

Hai iniziato a imparare Python Data Science ma stai avendo difficoltà? Iscriviti alla mia newsletter e ricevi il mio ebook gratuito: questo ti darà il giusto percorso di apprendimento da seguire per imparare Python per la Data Science con esperienza pratica.

Ti è piaciuta la storia? Diventa membro di VoAGI per 5$/mese tramite il mio link di riferimento: guadagnerò una piccola commissione senza costi aggiuntivi per te:

Unisciti a VoAGI con il mio link di riferimento – Federico Trotta

Come membro di VoAGI, una parte della tua quota di iscrizione viene destinata agli scrittori che leggi e ottieni accesso completo ad ogni storia…

federicotrotta.medium.com

data science,Machine Learning,Pandas,programming,Technology