Nous utilisons des cookies pour améliorer votre expérience de navigation, diffuser des publicités ou du contenu personnalisés et analyser notre trafic. En cliquant sur "Tout accepter", vous consentez à notre utilisation des cookies.
Personnaliser les préférences
Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.
Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site....
Toujours actif
Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.
Aucun cookie à afficher.
Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.
Aucun cookie à afficher.
Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.
Aucun cookie à afficher.
Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.
Aucun cookie à afficher.
Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.
Vous pouvez utiliser la syntaxe de base suivante pour compter le nombre d’éléments égal à NaN dans un tableau NumPy : import numpy as np np.count_nonzero(np.isnan(my_array)) Cet exemple particulier renverra le nombre d’éléments égal à NaN dans le tableau NumPy appelé my_array...
Vous pouvez utiliser la syntaxe de base suivante pour compter le nombre d’éléments supérieurs à une valeur spécifique dans un tableau NumPy : import numpy as np vals_greater_10 = (data > 10).sum() Cet exemple particulier renverra le nombre d’éléments supérieur à 10...
Vous pouvez utiliser la syntaxe de base suivante pour créer un graphique à barres dans pandas qui inclut uniquement les 10 valeurs les plus fréquentes dans une colonne spécifique : import pandas as pd import matplotlib.pyplot as plt #find values with top...
Vous pouvez utiliser l’argument normalize dans la fonction pandas crosstab() pour créer un tableau croisé qui affiche des valeurs en pourcentage au lieu de nombres : pd.crosstab(df.col1, df.col2, normalize='index') L’argument normaliser accepte trois arguments différents : all : Afficher le pourcentage par rapport...
Vous pouvez utiliser l’argument aggfunc dans la fonction pandas crosstab() pour créer un tableau croisé qui agrège les valeurs à l’aide d’une métrique spécifique : pd.crosstab(index=df.col1, columns=df.col2, values=df.col3, aggfunc='count') La valeur par défaut de aggfunc est « count », mais vous pouvez spécifier d’autres...
Vous pouvez utiliser les méthodes suivantes pour créer un graphique à barres afin de visualiser les décomptes dans un tableau croisé Pandas : Méthode 1 : créer un tracé à barres groupées import matplotlib.pyplot as plt my_crosstab.plot(kind='bar') Méthode 2 : créer un tracé à barres empilées...
Vous pouvez utiliser les méthodes suivantes pour trier les lignes ou les colonnes dans un tableau croisé Pandas : Méthode 1 : Trier le tableau croisé par valeurs de ligne pd.crosstab(df.col1, df.col2).sort_index(axis=0, ascending=False) Méthode 2 : Trier le tableau croisé par valeurs de colonne...
Vous pouvez utiliser la syntaxe suivante pour utiliser la fonction query() dans les pandas et référencer un nom de variable : df.query('team == @team_name') Cette requête particulière recherche des lignes dans un DataFrame pandas où la colonne team est égale à la...
Souvent, vous souhaiterez peut-être utiliser la fonction isin() dans la méthode query() dans les pandas pour filtrer les lignes d’un DataFrame où une colonne contient une valeur dans une liste. Vous pouvez utiliser la syntaxe suivante pour ce faire : df.query('team in...
Vous pouvez utiliser la syntaxe de base suivante avec la fonction groupby() dans pandas pour regrouper par deux colonnes et agréger une autre colonne : df.groupby(['var1', 'var2'])['var3'].mean() Cet exemple particulier regroupe le DataFrame par les colonnes var1 et var2 , puis calcule...