askformore@bittnet.ro
Clase Programate

Tehnici avansate Pandas pentru analizarea datelor in Python

Introducere

Pandas este una dintre cele mai populare biblioteci pentru data analysis in Python, utilizata atat de incepatori, cat si de experti. Versatilitatea si performanta lui Pandas ofera toate instrumentele necesare pentru a procesa, transforma si analiza seturi de date complexe, facilitand crearea de insight-uri valoroase din date brute.

Folosirea Pandas devine esentiala pentru oricine vrea sa dezvolte proiecte de analiza a datelor, special pentru ca majoritatea operatiunilor pot fi executate cu un minim de cod si cu o viteza foarte mare. In acest articol, vei descoperi tehnici avansate de manipulare a datelor cu Pandas, pornind de la transformari simple pana la agregari complexe, utilizand in acelasi timp exemple inspirate de dataset-uri reale, precum celebrul set de date “Avocado”.

Ce este Pandas si de ce este atat de popular?

Pandas a fost dezvoltat initial pentru a oferi un cadru eficient de manipulare a datelor in Python, capabil sa inlocuiasca tool-uri traditionale cum ar fi Excel sau R.
Ce face Pandas atat de apreciat?

  • Ofera structuri de date DataFrame si Series extrem de flexibile
  • Suporta citirea unor formate multiple de fisiere (CSV, Excel, JSON, SQL etc.)
  • Permite filtrarea, sortarea, agregarea si pivotarea datelor rapid si intuitiv
  • Integreaza functii avansate de group-by si join
  • Este compatibil cu ecosistemul Python (NumPy, Matplotlib, Scikit-learn, etc.)

Importarea si inspectarea datelor

Importul unui dataset CSV

Primul pas in orice proces de analiza de date este importul fisierului. Cu Pandas, totul se rezuma la o singura linie de cod:

import pandas as pd
df = pd.read_csv('avocado.csv')

Daca vrei sa vezi capul tabelului pentru a verifica structura acestuia:

print(df.head())

Inspectarea dimensiunii si a tipurilor de date

Pandas iti permite sa verifici rapid dimensiunea si tipurile de date pentru fiecare coloana:

print(df.shape)
print(df.dtypes)

Aceste actiuni sunt esentiale pentru a intelege volumul si complexitatea datasetului analizat.

Curatarea setului de date cu Pandas

Unul dintre cele mai importante elemente in orice proiect de data analytics este curatarea datelor. Datele reale contin frecvent valori lipsa, duplicatii, sau tipuri de date inconsistente.

Eliminarea valorilor lipsa

df = df.dropna()

Poti alege sa inlocuiesti valorile lipsa cu o valoare particulara (de exemplu 0 sau media coloanei):

df['AveragePrice'].fillna(df['AveragePrice'].mean(), inplace=True)

Eliminarea duplicatelor

df = df.drop_duplicates()

Astfel te asiguri ca analizele nu sunt distorsionate de intrari repetitive.

Transformari avansate ale datelor

Odata ce datele sunt curate, poti trece la transformari avansate, pentru a crea noi insight-uri sau a adapta datasetul la cerintele analizei.

Filtrarea datelor in functie de conditii complexe

De exemplu, daca vrei doar datele despre avocado conventional pentru statul California:

df_ca = df[(df['type'] == 'conventional') & (df['region'] == 'California')]

Crearea de coloane noi pe baza altora existente

df['pret_per_lb'] = df['AveragePrice'] / df['Total Volume']

Coloanele pot fi create foarte usor pe baza unor formule.

Convertirea tipurilor de date

df['Date'] = pd.to_datetime(df['Date'])

Aceasta conversie este indispensabila cand lucrezi cu serii temporale.

Agregari si analize de tip group-by

Una dintre cele mai utilizate tehnici avansate in Pandas este group-by, utila atunci cand vrei statistici pe anumite categorii (regiuni, perioade, tipuri de produs).

Media pretului pe regiuni

pret_mediu = df.groupby('region')['AveragePrice'].mean()
print(pret_mediu)

Sumarizarea vanzarilor pe an

df['an'] = df['Date'].dt.year
vanzari_anuale = df.groupby('an')['Total Volume'].sum()
print(vanzari_anuale)

Calculul mai multor statistici odata

statistici = df.groupby('region').agg({
    'AveragePrice': ['mean', 'min', 'max'],
    'Total Volume': 'sum'
})
print(statistici)

Pivotare si reconfigurare a datelor

Deseori, pentru prezentari concise sau vizualizari, datele trebuie repivotate. Pandas ofera doua metode principale: pivot_table si melt.

Crearea unui tabel pivot pentru pretul mediu pe an si regiune

pivot = df.pivot_table(index='an', columns='region', values='AveragePrice', aggfunc='mean')
print(pivot)

Refacerea datelor pentru analize “long format”

melted = df.melt(id_vars=['Date', 'region'], value_vars=['AveragePrice', 'Total Volume'])
print(melted)

Analiza avansata: Detectarea tendintelor si sezonalitatii

Cu datele calendaristice si de pret agregate, putem descoperi trenduri sau sezonalitate:

Media mobila a pretului avocado

df['pret_media_mobila'] = df['AveragePrice'].rolling(window=4).mean()

Acesta este un instrument de analiza folosit deseori pentru a netezi zgomotul datelor si a scoate in evidenta tendintele reale.

Joins: Combinarea mai multor DataFrame-uri

Efectuarea de join-uri este vitala cand ai date in mai multe tabele ce trebuie consolidate. Pandas rescrie experienta SQL si poti lucra cu merge foarte simplu.

combined = pd.merge(df1, df2, how='inner', on='Date')

Alegerea tipului de join (‘inner’, ‘outer’, ‘left’, ‘right’) iti permite sa alegi ce combinatii de date vrei sa pastrezi in rezultatul final.

Vizualizare rapida cu Pandas

Pandas are o integrare nativa cu pachetele de vizualizare precum Matplotlib sau Seaborn, dar ofera si metode de plot simple.

df['AveragePrice'].plot(title='Evolutia pretului mediu la Avocado')
import matplotlib.pyplot as plt
plt.show()

Studiu de caz scurt: Insight-uri din Avocado dataset

Imbinand tehnicile expuse, se pot extrage rapid cateva insight-uri utile:

  • Pretul mediu la avocado a crescut constant in regiunile mari din SUA intre 2015 si 2018
  • Sezonalitatea influenteaza volumele de vanzare, iar tipul conventional si organic difera semnificativ in anumite perioade
  • Analiza group-by si pivot scoate la iveala ca California si Texas raporteaza atat cele mai mari volume, cat si cele mai mari variatii de pret in timp

Concluzii si recomandari

Pandas ramane de nelipsit in trusa oricarui data analyst, oferind functii rapide pentru operatii atat simple cat si avansate. Daca vei exersa tehnicile de mai sus pe diverse seturi de date, vei capata rapid abilitati valoroase de data wrangling si analiza exploratorie, capabile sa iti ofere un avantaj major in orice proiect de data analytics sau machine learning.

Investeste timp in a aprofunda gruparile avansate, combinarea datelor si manipularea tipurilor; acestea sunt blocurile de baza pentru analize predictive, automatizari si rapoarte executive.

Cu siguranta ai inteles care sunt noutatile din 2025 legate de data analysis, daca esti interesat sa aprofundezi cunostintele in domeniu, te invitam sa explorezi gama noastra de cursuri dedicate analizelor de date din categoria Data Analytics. Indiferent daca esti la inceput de drum sau doresti sa iti perfectionezi abilitatile, avem un curs potrivit pentru tine.