کتابخانه pandas در پایتون ابزار قدرتمندی برای مدیریت و تحلیل داده‌ها است. این کتابخانه ویژگی‌های متعددی دارد که به کاربران این امکان را می‌دهد تا جدول‌های پیچیده را به راحتی بسازند و تحلیل کنند. در این مقاله به بررسی روش‌ها و تکنیک‌هایی برای ساخت جدول‌های پیچیده با استفاده از کتابخانه pandas در پایتون می‌پردازیم.

آشنایی با pandas

کتابخانه pandas به کاربران اجازه می‌دهد که داده‌ها را به صورت دو بعدی (جداول) و یک بعدی (سری) مدیریت کنند. برای شروع، باید کتابخانه pandas را نصب و وارد کنید:

import pandas as pd

این کتابخانه به شما این امکان را می‌دهد که داده‌ها را از منابع مختلف مانند فایل‌های CSV، Excel یا دیتابیس‌های SQL بارگذاری کنید.

آموزش مقدماتی پایتون (رایگان)

ایجاد DataFrame

DataFrame، ساختار داده‌ای اصلی در pandas است که مشابه یک جدول در پایگاه داده‌ها عمل می‌کند. برای ساخت یک DataFrame از یک دیکشنری ساده می‌توانید استفاده کنید:

data = {
    'نام': ['علی', 'مریم', 'سعید'],
    'سن': [25, 30, 28],
    'شهر': ['تهران', 'شیراز', 'اصفهان']
}

df = pd.DataFrame(data)
print(df)

خروجی این کد به صورت زیر خواهد بود:

    نام  سن      شهر
   علی  25    تهران
1  مریم  30    شیراز
2  سعید  28  اصفهان

ایجاد جدول‌ های پیچیده

برای ساخت جدول‌های پیچیده‌تر می‌توانید از چندین DataFrame استفاده کنید و آن‌ها را با یکدیگر ترکیب کنید. برای مثال، فرض کنید داده‌های مختلفی از فروش و موجودی محصولات دارید. می‌توانید دو DataFrame جداگانه بسازید و سپس آن‌ها را با استفاده از تابع merge با هم ادغام کنید:

sales_data = {
    'محصول': ['کتاب', 'قلم', 'دفتر'],
    'فروش': [200, 150, 100]
}

inventory_data = {
    'محصول': ['کتاب', 'قلم', 'دفتر'],
    'موجودی': [500, 300, 400]
}

sales_df = pd.DataFrame(sales_data)
inventory_df = pd.DataFrame(inventory_data)

merged_df = pd.merge(sales_df, inventory_df, on='محصول')
print(merged_df)

خروجی این کد به صورت زیر خواهد بود:

  محصول  فروش  موجودی
  کتاب   200     500
1  قلم    150     300
2  دفتر   100     400

تحلیل داده‌ها

کتابخانه pandas علاوه بر ساخت جدول‌های پیچیده، ابزارهای متنوعی برای تحلیل داده‌ها ارائه می‌دهد. به عنوان مثال، می‌توانید مجموع فروش را محاسبه کنید:

total_sales = merged_df['فروش'].sum()
print(f'مجموع فروش: {total_sales}')

نتیجه‌ گیری

کتابخانه pandas در پایتون به کاربران این امکان را می‌دهد که با استفاده از DataFrame‌ها و تکنیک‌های ادغام، جدول‌های پیچیده بسازند و داده‌های مختلف را به سادگی تحلیل کنند. با فراگیری روش‌های مختلف در کار با pandas، می‌توانید توانایی‌های خود را در تجزیه و تحلیل داده‌ها افزایش دهید.