Pandas ट्यूटोरियल: AI डेटा विश्लेषण के लिए एक शुरुआती गाइड

Pandas डेटा विज्ञान और AI में डेटा विश्लेषण और हेरफेर के लिए व्यापक रूप से उपयोग की जाने वाली एक शक्तिशाली Python लाइब्रेरी है। यह गाइड AI परियोजनाओं के लिए प्रासंगिक व्यावहारिक उदाहरणों पर ध्यान केंद्रित करते हुए, Pandas का उपयोग करने के लिए मौलिक अवधारणाओं और तकनीकों का परिचय देता है। Pandas लचीले और कुशल डेटा संरचनाएं प्रदान करता है, जो इसे किसी भी डेटा वैज्ञानिक या AI प्रैक्टिशनर के लिए एक आवश्यक उपकरण बनाता है।

किसी भी डेटा विश्लेषण कार्य में पहला कदम डेटा लोड करना है। Pandas `pd.read_csv()` और `pd.read_table()` जैसे फ़ंक्शन के साथ इस प्रक्रिया को सरल बनाता है। ये फ़ंक्शन आपको विभिन्न फ़ाइल स्वरूपों, जैसे CSV और TSV से डेटा को Pandas DataFrame में लोड करने की अनुमति देते हैं। यहाँ सापेक्ष और पूर्ण पथों का उपयोग करके डेटा कैसे लोड करें: ```python import pandas as pd import numpy as np # सापेक्ष पथ का उपयोग करके डेटा लोड करें df = pd.read_csv('./train.csv') print(df.head()) # पूर्ण पथ का उपयोग करके डेटा लोड करें df = pd.read_csv(r'D:\Users\LENOVO\Desktop\pandas入门\train.csv') print(df.head()) ``` यदि आपको सापेक्ष पथों के साथ समस्याएँ आती हैं, तो अपनी वर्तमान कार्यशील निर्देशिका की जाँच करने के लिए `os.getcwd()` का उपयोग करें।

`pd.read_csv()` और `pd.read_table()` अपने डिफ़ॉल्ट सेपरेटर में भिन्न होते हैं। `read_csv()` डिफ़ॉल्ट सेपरेटर के रूप में अल्पविराम (`,`) का उपयोग करता है, जबकि `read_table()` टैब (`\t`) का उपयोग करता है। समान प्रभाव प्राप्त करने के लिए, आप `sep` पैरामीटर निर्दिष्ट कर सकते हैं: ```python # pd.read_csv() का उपयोग करके TSV फ़ाइल पढ़ें df = pd.read_csv('filename.tsv', sep='\t') # pd.read_table() का उपयोग करके CSV फ़ाइल पढ़ें df = pd.read_table('filename.csv', sep=',') ``` विभिन्न फ़ाइल स्वरूपों से डेटा को सही ढंग से लोड करने के लिए इन अंतरों को समझना महत्वपूर्ण है।

बड़े डेटासेट के लिए, पूरी फ़ाइल को एक बार में मेमोरी में लोड करना अक्षम हो सकता है। Pandas `chunksize` पैरामीटर का उपयोग करके चंक-वार लोडिंग प्रदान करता है। यह आपको छोटे ब्लॉकों में डेटा को संसाधित करने की अनुमति देता है, जिससे मेमोरी की खपत कम होती है। ```python # 1000 पंक्तियों के चंक में डेटा लोड करें for chunk in pd.read_csv('train.csv', chunksize=1000): print(chunk.head()) # चंक पर संचालन करें ``` चंक-वार लोडिंग विशेष रूप से तब उपयोगी होती है जब उपलब्ध मेमोरी से अधिक डेटासेट से निपटना हो।

टेबल हेडर और इंडेक्स को संशोधित करने से आपका डेटा अधिक पठनीय और समझने योग्य बन सकता है। आप कॉलम का नाम अधिक वर्णनात्मक नामों में बदल सकते हैं, खासकर जब विभिन्न भाषाओं में डेटासेट के साथ काम कर रहे हों। ```python # कॉलम का नाम बदलें df = df.rename(columns={'PassengerId': 'यात्रीआईडी', 'Survived': 'जीवित', 'Pclass': 'वर्ग'}) print(df.head()) # 'यात्रीआईडी' को इंडेक्स के रूप में सेट करें df = df.set_index('यात्रीआईडी') print(df.head()) ``` ये संशोधन डेटा पहुंच और स्पष्टता में सुधार करते हैं।

Pandas डेटा विश्लेषण और हेरफेर के लिए कार्यों की एक विस्तृत श्रृंखला प्रदान करता है। यहाँ कुछ उदाहरण दिए गए हैं: * **डेटा फ़िल्टर करना:** ```python # जीवित बचे यात्रियों को फ़िल्टर करें survived = df[df['जीवित'] == 1] print(survived.head()) ``` * **डेटा समूहीकरण:** ```python # 'वर्ग' द्वारा डेटा को समूहित करें और औसत आयु की गणना करें grouped = df.groupby('वर्ग')['आयु'].mean() print(grouped) ``` * **लुप्त मानों को संभालना:** ```python # लुप्त आयु मानों को औसत आयु से भरें df['आयु'] = df['आयु'].fillna(df['आयु'].mean()) ``` ये उदाहरण डेटा विश्लेषण कार्यों में Pandas की बहुमुखी प्रतिभा को प्रदर्शित करते हैं।

Pandas AI और डेटा विज्ञान में डेटा विश्लेषण के लिए एक अनिवार्य उपकरण है। डेटा को कुशलतापूर्वक लोड करने, हेरफेर करने और विश्लेषण करने की इसकी क्षमता इसे किसी भी डेटा-संचालित परियोजना का आधार बनाती है। इस गाइड में चर्चा की गई तकनीकों में महारत हासिल करके, आप अपने डेटा विश्लेषण वर्कफ़्लो को सुव्यवस्थित कर सकते हैं और अपने डेटा से मूल्यवान अंतर्दृष्टि प्राप्त कर सकते हैं। अपनी समझ और कौशल को गहरा करने के लिए हमेशा Pandas दस्तावेज़ीकरण से परामर्श करना और अतिरिक्त संसाधनों का पता लगाना याद रखें।