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.
Souvent, vous souhaiterez peut-être empiler deux ou plusieurs DataFrames pandas. Heureusement, cela est facile à faire en utilisant la fonction pandas concat() . Ce didacticiel montre plusieurs exemples de la façon de procéder. Exemple 1 : empiler deux DataFrames Pandas Le code suivant...
Souvent, vous souhaiterez peut-être fusionner deux DataFrames pandas sur plusieurs colonnes. Heureusement, cela est facile à faire en utilisant la fonction pandas merge() , qui utilise la syntaxe suivante : pd.merge(df1, df2, left_on=['col1','col2'], right_on = ['col1','col2']) Ce tutoriel explique comment utiliser cette...
Souvent, vous souhaiterez peut-être trouver toutes les valeurs uniques sur plusieurs colonnes dans un DataFrame pandas. Heureusement, cela est facile à faire en utilisant la fonction pandas unique() combinée avec la fonction ravel() : unique() : renvoie les valeurs uniques par ordre...
Souvent, vous souhaiterez peut-être compter le nombre de valeurs manquantes dans un DataFrame pandas. Ce didacticiel montre plusieurs exemples de la façon de compter les valeurs manquantes à l’aide du DataFrame suivant : import pandas as pd import numpy as np #create...
Souvent, vous souhaiterez peut-être convertir une date/heure en une date en pandas. Heureusement, cela est facile à faire en utilisant la fonction .dt.date , qui adopte la syntaxe suivante : df['date_column'] = pd.to_datetime(df['datetime_column']).dt.date Exemple : Datetime à ce jour dans Pandas Par...
Souvent, vous souhaiterez peut-être obtenir les numéros de ligne dans un DataFrame pandas qui contiennent une certaine valeur. Heureusement, cela est facile à faire en utilisant la fonction .index . Ce tutoriel montre plusieurs exemples d’utilisation pratique de cette fonction. Exemple...
Souvent, vous souhaiterez peut-être sélectionner les lignes d’un DataFrame pandas dans lesquelles une certaine valeur apparaît dans l’une des colonnes. Heureusement, cela est facile à faire en utilisant la fonction .any pandas. Ce tutoriel explique plusieurs exemples d’utilisation pratique de cette...
Souvent, vous souhaiterez peut-être trier un DataFrame pandas en fonction d’une colonne contenant des dates. Heureusement, cela est facile à faire en utilisant la fonction sort_values() . Ce tutoriel montre plusieurs exemples d’utilisation pratique de cette fonction. Exemple 1 : Trier par...
L’ erreur de pourcentage absolue moyenne symétrique (SMAPE) est utilisée pour mesurer la précision prédictive des modèles. Il est calculé comme suit : SMAPE = (1/n) * Σ(|prévision – réel| / ((|réel| + |prévision|)/2) * 100 où: Σ – un symbole qui...
La régression quadratique est un type de régression que nous pouvons utiliser pour quantifier la relation entre une variable prédictive et une variable de réponse lorsque les vraies relations sont quadratiques, qui peuvent ressembler à un « U » ou à...
