Sir: Bilkul! यही काम करती हैं Python Libraries. ये basically collection होती है built-in modules की — जिनमें पहले से बहुत सारे functions लिखे हुए हैं। हम directly use करो, अपना काम हो जाए।

Priya: Sir, NumPy तो already है ना data analysis के लिए — तो Pandas की जरूरत क्यों?  (genuine confusion 

Sir: Good question, Priya! Hmm… देखो — NumPy को homogeneous data चाहिए, मतलब सब values एक ही type की। लेकिन Pandas DataFrame में अलग-अलग types हो सकती हैं — int, float, string, datetime — सब एक साथ। Plus, Pandas में column names होते हैं, जिससे data track करना बहुत आसान हो जाता है।

  Pandas install करने के लिए command है:  pip install pandas  (Python already installed हो तो ही यह काम करेगा)

Sir: Series एक one-dimensional array है जिसमें किसी भी type की values हो सकती हैं — int, float, string, list… By default index 0 से start होता है। लेकिन हम अपना custom index भी दे सकते हैं।

0

Arnab

1

Samridhi

2

Ramit

3

Divyam

4

Kritika

Sir: Pandas use करने से पहले हमेशा import करना पड़ता है। और हम इसे ‘pd’ alias देते हैं — यह convention है, mandatory नहीं, but everyone does it.

Amit: Sir, pd की जगह कुछ और भी दे सकते हैं?

Sir (gently): हाँ दे सकते हो — technically कोई भी name दे सकते हो। लेकिन ‘pd’ standard है, सब इसी को use करते हैं। अगर अलग दोगे तो code पढ़ने वाले को confuse होगा। So stick to PD!

>>> import pandas as pd       # Pandas import with alias pd

>>> series1 = pd.Series([10, 20, 30])   # Create a Series

>>> print(series1)            # Display the series

Output:

0    10

1    20

2    30

dtype: int64

Sir: देखो — output में दो columns हैं। Left side है index (0,1,2 — default) और right side है actual value. Simple!

>>> series2 = pd.Series([‘Kavi’,’Shyam’,’Ravi’], index=[3,5,1])

>>> print(series2)

Output:

3    Kavi

5    Shyam

1    Ravi

dtype: object

>>> series2 = pd.Series([2,3,4], index=[‘Feb’,’Mar’,’Apr’])

>>> print(series2)

Output:

Feb    2

Mar    3

Apr    4

dtype: int64

>>> import numpy as np

>>> import pandas as pd

>>> array1 = np.array([1,2,3,4])

>>> series3 = pd.Series(array1)

>>> print(series3)

Output:

0    1

1    2

2    3

3    4

dtype: int32

Sir: Array की length और index की length same होनी चाहिए — वरना ValueError आएगी। याद रखो!

Sir: Dictionary में key-value pairs होते हैं। जब हम dictionary से Series बनाते हैं, तो keys बन जाती हैं index और values बन जाती हैं Series की values.

>>> dict1 = {‘India’:’NewDelhi’, ‘UK’:’London’, ‘Japan’:’Tokyo’}

>>> series8 = pd.Series(dict1)

>>> print(series8)

Output:

India     NewDelhi

UK          London

Japan        Tokyo

dtype: object

Neha: Sir, index use करते हैं?

Sir: Correct Neha! और index दो type का होता है —

>>> seriesNum = pd.Series([10,20,30])

>>> seriesNum[2]

30

>>> seriesCapCntry = pd.Series([‘NewDelhi’,’WashingtonDC’,’London’,’Paris’],

                       index=[‘India’,’USA’,’UK’,’France’])

>>> seriesCapCntry[‘India’]

‘NewDelhi’

>>> seriesCapCntry[1]       # positional index

‘WashingtonDC’

>>> seriesCapCntry[[3,2]]

France    Paris

UK        London

dtype: object

Sir: Slicing में [start:end] देते हैं — लेकिन ध्यान रखो, positional index में end position exclude होती है। Labelled index में end label include होती है — यह difference important है!

Riya: Sir, मतलब labelled slicing में last wala bhi aata hai?

Sir: Haan! यह NumPy से अलग है Pandas का behavior. Positional slice में end exclude, label slice में end include. Try करके देखो — समझ आएगा.

>>> seriesCapCntry[1:3]        # positional — excludes index 3

USA    WashingtonDC

UK     London

>>> seriesCapCntry[‘USA’:’France’]   # labelled — includes France

USA    WashingtonDC

UK     London

France Paris

>>> seriesCapCntry[::-1]      # reverse order

France Paris

UK     London

USA    WashingtonDC

India  NewDelhi

.name

Series को name assign / print करता है

seriesCapCntry.name

.index

Index को name देता है

seriesCapCntry.index

.values

Series की सारी values list में

seriesCapCntry.values

.size

Total कितनी values हैं

seriesCapCntry.size  → 4

.empty

Series empty है? True/False

seriesEmpty.empty  → True

head(n)

Series के पहले n values दिखाता है

Default n=5

tail(n)

Series के आखिरी n values दिखाता है

Default n=5

count()

Non-NaN values की count देता है

—

Sir: Class 11 में NumPy arrays पर math operations किए थे। Pandas में भी same तरीके से होता है — element-wise. लेकिन एक important difference है — index matching!

>>> seriesA = pd.Series([1,2,3,4,5], index=[‘a’,’b’,’c’,’d’,’e’])

>>> seriesB = pd.Series([10,20,-10,-50,100], index=[‘a’,’b’,’y’,’n’,’c’])

Sir: अब जब इन दोनों को add करेंगे — Pandas पहले indexes match करेगा। जो index दोनों में हो, वहाँ addition होगी। जो किसी एक में न हो — वहाँ result NaN आएगा।

Rahul: NaN मतलब?  (puzzled face)

Sir: NaN = Not a Number. मतलब value missing है। जब कोई corresponding value न मिले दोनों series में, तो result NaN रखता है Pandas.

>>> seriesA + seriesB

a     11.0

b     22.0

c    NaN      # 3 + ? — ‘c’ only in seriesA index-wise mismatch

…

dtype: float64

Sir: NaN avoid करना हो तो .add() method use करो और fill_value parameter दो —

>>> seriesA.add(seriesB, fill_value=0)

a     11.0

b     22.0

c      3.0    # missing value replaced with 0

dtype: float64

Sir: कभी-कभी हमें एक time पर कई columns के साथ काम करना होता है — restaurant का menu, exam results, किसी team का data. यह सब tabular data है। इसके लिए Pandas में DataFrame है।

Sir: DataFrame एक 2-dimensional labelled structure है — spreadsheet जैसा। इसमें rows और columns दोनों होते हैं। हर column एक Series होती है।

>>> import pandas as pd

>>> dFrameEmpty = pd.DataFrame()

>>> dFrameEmpty

Empty DataFrame

Columns: []

Index: []

>>> import numpy as np

>>> array1 = np.array([10,20,30])

>>> dFrame4 = pd.DataFrame(array1)

>>> dFrame4

    0

0  10

1  20

2  30

Sir: Multiple arrays से DataFrame बनाते वक्त columns parameter देना जरूरी है —

>>> dFrame5 = pd.DataFrame([array1, array2, array3], columns=[‘A’,’B’,’C’,’D’])

     A   B   C    D

0   10  30  NaN  NaN

1  -10 -20  30  40.0

2  100 200 300    40

Sir: Dictionary में keys बन जाती हैं column labels और values बन जाती हैं rows. Dictionary की count = rows की count.

>>> listDict = [{‘a’:10,’b’:20},{‘a’:5,’b’:10,’c’:20}]

>>> dFrameListDict = pd.DataFrame(listDict)

    a   b     c

0  10  20   NaN

1   5  10  20.0

>>> dictForest = {‘State’:[‘Assam’,’Delhi’,’Kerala’],

…               ‘GArea’:[78438,1483,38852],

…               ‘VDF’:[2797,6.72,1663]}

>>> dFrameForest = pd.DataFrame(dictForest)

   State  GArea    VDF

0  Assam  78438  2797.00

1  Delhi   1483     6.72

2  Kerala 38852  1663.00

>>> seriesA = pd.Series([1,2,3,4,5], index=[‘a’,’b’,’c’,’d’,’e’])

>>> seriesB = pd.Series([1000,2000,-1000,-5000,1000],

…                      index=[‘a’,’b’,’c’,’d’,’e’])

>>> dFrame6 = pd.DataFrame(seriesA)

   0

a  1

b  2

…

>>> dFrame7 = pd.DataFrame([seriesA, seriesB])

   a    b     c      d     e

0  1    2     3      4     5

1 1000 2000 -1000 -5000  1000

>>> Arnab  = pd.Series([90,92,97], index=[‘Maths’,’Science’,’Hindi’])

>>> Ramit  = pd.Series([82,81,90], index=[‘Maths’,’Science’,’Hindi’])

>>> Samidhi= pd.Series([88,81,71], index=[‘Maths’,’Science’,’Hindi’])

>>> Riya   = pd.Series([81,71,95], index=[‘Maths’,’Science’,’Hindi’])

>>> Malika = pd.Series([94,95,99], index=[‘Maths’,’Science’,’Hindi’])

>>> ResultDF = pd.DataFrame({‘Arnab’:Arnab,’Ramit’:Ramit,

…            ‘Samidhi’:Samidhi,’Riya’:Riya,’Malika’:Malika})

>>> ResultDF[‘Preeti’] = [85,79,76]

# अब Preeti का column add हो गया

Sir: अगर column पहले से exist करता है, तो assignment उसे update करेगी — नया नहीं बनेगा।

>>> ResultDF.loc[‘English’] = [85,85,85,80,85,89]

# English का row add हो गया

Sonal: Sir, अगर values की count columns से कम हो तो?

Sir: ValueError आएगी — mismatch columns बोलेगा. Values की count exactly columns के बराबर होनी चाहिए.

>>> ResultDF = ResultDF.drop(‘Science’, axis=0)  # row delete

>>> ResultDF = ResultDF.drop([‘Samidhi’,’Riya’], axis=0)  # multiple rows

>>> ResultDF = ResultDF.drop(‘Arnab’, axis=1)   # column delete

Sir: axis=0 मतलब row, axis=1 मतलब column. यह याद रखना — exam में पूछते हैं!

>>> ResultDF=ResultDF.rename({‘Maths’:’Sub1′,’Science’:’Sub2′,’English’:’Sub3′},

…                          axis=’index’)

# Row labels rename हो गए

>>> ResultDF=ResultDF.rename({‘Arnab’:’Student1′,’Ramit’:’Student2′},

…                          axis=’columns’)

# Column labels rename

Sir: DataFrame में access के लिए .loc[] सबसे important है — label based indexing. इसे याद कर लो। Row label दो तो Series मिलती है, column label दो तो column मिलती है।

>>> ResultDF.loc[‘Science’]     # एक row

Arnab      91

Ramit       81

…

Name: Science, dtype: int64

>>> print(df[‘Arnab’])          # एक column

Maths      90

Science    91

Hindi      97

Name: Arnab, dtype: int64

>>> ResultDF.loc[[‘Science’,’Hindi’]]         # multiple rows

>>> ResultDF.loc[‘Maths’:’Science’,’Arnab’]   # row slice + single column

>>> ResultDF.loc[‘Maths’:’Science’,[‘Arnab’,’Samidhi’]]  # row+col slice

Sir: Boolean indexing में हम एक condition लगाते हैं — जो rows उस condition को satisfy करें वो True, बाकी False. और True वाली rows ही display होती हैं।

>>> ResultDF.loc[‘Maths’] > 90

Arnab      True

Ramit     False

Samidhi   False

Riya      False

Malika     True

Name: Maths, dtype: bool

>>> ResultDF.loc[ResultDF.loc[‘Maths’] > 90]

# Arnab और Malika के columns दिखाएगा

>>> ResultDF.loc[‘Maths’:’Science’]           # rows slice with labels

>>> ResultDF.loc[‘Maths’:’Science’,’Arnab’]   # rows + single column

Sir: Sometimes हमारे पास data दो अलग DataFrames में होता है — और हमें उन्हें जोड़ना होता है। इसके लिए pd.concat() method use करते हैं।

>>> dFrame1 = pd.DataFrame([[1,2,3],[4,5,6]], columns=[‘C1′,’C2′,’C3’], index=[‘R1′,’R2’])

>>> dFrame2 = pd.DataFrame([[10,20],[40,50]], columns=[‘C2′,’C3’], index=[‘R4′,’R2’])

>>> dFrame1.append(dFrame2)

    C1    C2    C3

R1   1.0   2.0   3.0

R2   4.0   5.0   6.0

R4   NaN  10.0  20.0

R2   NaN  40.0  50.0

Sir: Missing column का data NaN आता है. sort=True देने पर columns sorted order में आते हैं।

.index

Row labels show करता है

RangeIndex(start=0, stop=4)

.columns

Column labels

Index([‘Assam’,’Kerala’,’Delhi’])

.dtypes

हर column का data type

State: object, GArea: int64

.values

सारा data NumPy array में

array([[…],[…]])

.shape

(rows, columns) tuple

(4, 3)  — 4 rows, 3 columns

.size

Total elements

12  — rows × columns

.T

Transpose — rows↔columns बदल देता है

columns become rows

.head(n)

पहले n rows दिखाता है

Default n=5

.tail(n)

आखिरी n rows

Default n=5

.empty

Empty है? True/False

False

Sir: Real life में data हमें files में मिलता है — Excel, CSV वगैरह. Pandas में CSV file से directly DataFrame बना सकते हैं।

>>> marks = pd.read_csv(‘C:/NCERT/ResultData.csv’, sep=’,’)

>>> marks

   RollNo  Name   Eco  Maths

0    1    Arnab   18    57

1    2    Kritika  23    45

…

>>> ResultDF.to_csv(‘C:/NCERT/ResultData.csv’, sep=’,’)

# यह ResultData.csv नाम की file create करेगा

>>> ResultDF.to_csv(‘C:/NCERT/resultsonly.txt’, sep=’#’, header=False, index=False)

# header=False — column names नहीं लिखेगा

# index=False  — row labels नहीं लिखेगा

Custom labels define कर सकते हैं

Integer position से ही access होता है

Descending order में index हो सकता है

Index 0 से start, fixed

Unaligned Series में NaN आता है

Mismatch पर error आता है

ज़्यादा memory use होती है

NumPy comparatively कम memory लेता है