Pandas bietet zwei primäre Datenstrukturen: `Series` und `DataFrame`. Die `Series` ist die einfachere der beiden und ähnelt einem **eindimensionalen** Array oder einer Liste. Sie können ein `Series`-Objekt mit dem `pd.Series()`-Konstruktor erstellen, indem Sie eine **Liste** als Argument übergeben.

import pandas as pd
numbers = [17, 43, 74, 20]
series = pd.Series(numbers)

print(series)

In diesem Beispiel verwenden wir den `pd.Series()`-Konstruktor, um ein `Series`-Objekt zu erstellen, das eine **Liste von Zahlen** enthält.

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist auch darauf ausgelegt, große Datensätze zu verarbeiten, indem sie Datenstrukturen wie DataFrame und Series verwendet. Dies macht sie zu einem unverzichtbaren Werkzeug für Data Science. In diesem Leitfaden lernen Sie eine Reihe von statistischen Funktionen kennen, einschließlich der Berechnung von Korrelationen, Modi, Mediane sowie maximalen und minimalen Werten innerhalb eines Datensatzes. Sie lernen auch, wie man mit fehlenden Werten umgeht und spezifische Werte manipuliert sowie entfernt.

In diesem Abschnitt werden wir die Grundlagen der Series- und DataFrame-Strukturen erkunden. Sie werden auch die Unterschiede zwischen diesen beiden Strukturtypen kennenlernen.

Daten können in verschiedenen Formaten vorliegen, wie CSV, JSON, SQL, HTML und mehr. Mit Pandas sind Sie nicht auf ein einzelnes Format beschränkt – Sie können mit Daten aus einer Vielzahl von Dateitypen arbeiten. In diesem Kapitel konzentrieren wir uns speziell auf die Formate CSV und TXT.

Hier lernen Sie, wie Sie Rohdaten verarbeiten, indem Sie überflüssige Informationen entfernen und Nullwerte in einem Datensatz verwalten.

Serien

Lösung

Serien

Lösung