{"id":128100,"date":"2021-11-30T15:41:44","date_gmt":"2021-11-30T14:41:44","guid":{"rendered":"https:\/\/datascientest.com\/?p=128100"},"modified":"2023-11-09T14:05:41","modified_gmt":"2023-11-09T14:05:41","slug":"quest-ce-quun-dataframe","status":"publish","type":"post","link":"https:\/\/datascientest.com\/quest-ce-quun-dataframe","title":{"rendered":"Qu\u2019est-ce qu\u2019un DataFrame ?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"128100\" class=\"elementor elementor-128100\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-8c189f4 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"8c189f4\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1afa5b4\" data-id=\"1afa5b4\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-ad6ddd3 elementor-widget elementor-widget-heading\" data-id=\"ad6ddd3\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">Pandas est l\u2019une des librairies incontournables de Python, qui est un langage de programmation orient\u00e9 objet de haut niveau tr\u00e8s populaire chez les Data Scientists. Les structures les plus utilis\u00e9es de ce module sont les Series et les DataFrames. Contrairement aux Series, qui sont des objets correspondants \u00e0 des tableaux \u00e0 une seule dimension, les Dataframes sont des tableaux \u00e0 deux dimensions compos\u00e9s de lignes et de colonnes, ce qui permet de mettre en avant les relations entre les diff\u00e9rentes variables du jeu de donn\u00e9es. <\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8460e30 elementor-widget elementor-widget-text-editor\" data-id=\"8460e30\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<blockquote><p><span style=\"color: #000000;\">Un DataFrame est un ensemble de Series Pandas index\u00e9es par une valeur. Dans cet article, nous allons pr\u00e9senter la structure des DataFrames puis, se pencher sur ses diff\u00e9rents attributs et m\u00e9thodes de base en expliquant leur utilit\u00e9 et leur fonctionnement.<\/span><\/p><\/blockquote>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f94fdee elementor-widget elementor-widget-heading\" data-id=\"f94fdee\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">1) Comment se pr\u00e9sente-t-il ? <\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8876718 elementor-widget elementor-widget-text-editor\" data-id=\"8876718\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Le format de ces structures peut \u00eatre compar\u00e9 aux dictionnaires Python. En effet, les cl\u00e9s sont les noms des colonnes et les valeurs sont les Series. Sa structure peut \u00eatre consid\u00e9r\u00e9e comme similaire \u00e0 une feuille de calcul Excel.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9bc3677 elementor-widget elementor-widget-text-editor\" data-id=\"9bc3677\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Chaque ligne contient des donn\u00e9es sp\u00e9cifiques \u00e0 diverses colonnes, qui sont des variables. Le nom des lignes d\u2019un DataFrame est appel\u00e9 \u201cindex\u201d qui, par d\u00e9faut, commence toujours par 0.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-77488eb elementor-widget elementor-widget-text-editor\" data-id=\"77488eb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Cependant, il est possible d\u2019indexer les lignes d\u2019un DataFrame par n\u2019importe quelle valeur possible : identifiant client ou encore unit\u00e9 de temps. Pour ce qui est du nom des colonnes, elles sont labellis\u00e9es sous le nom d\u2019une variable sp\u00e9cifique auquel on lui accorde des valeurs diff\u00e9rentes. Les valeurs de ces variables peuvent prendre de nombreux formats de donn\u00e9es. Chaque colonne est associ\u00e9e \u00e0 un type de donn\u00e9es, par exemple une cha\u00eene de caract\u00e8re (object) qui sera relative aux donn\u00e9es qualitatives, ou bien une colonne ayant un type int\u00e9ger, qui correspondra aux nombres entiers. Il est possible de changer le type des variables en fonction des besoins en utilisant la m\u00e9thode <\/span><b style=\"color: #000000;\">astype()<\/b><span style=\"font-weight: 400;\">.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-726e624 elementor-widget elementor-widget-image\" data-id=\"726e624\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"878\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-933x1024.png\" class=\"attachment-large size-large wp-image-130043\" alt=\"\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-933x1024.png 933w, https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-273x300.png 273w, https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-768x843.png 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-1399x1536.png 1399w, https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/Sans-titre-2-02-1866x2048.png 1866w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-858757c elementor-widget elementor-widget-heading\" data-id=\"858757c\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">2) Les attributs et m\u00e9thodes \u00e0 ne pas manquer<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-954bd24 elementor-widget elementor-widget-text-editor\" data-id=\"954bd24\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Il existe de nombreuses mani\u00e8res de manipuler les DataFrames. Les attributs et les m\u00e9thodes de cette structure Pandas sont tr\u00e8s nombreux. Cet article se penchera essentiellement sur les m\u00e9thodes de bases pour apprendre \u00e0 manier les DataFrames.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-792e66f elementor-widget elementor-widget-heading\" data-id=\"792e66f\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">A- Importation et Observation du jeu de donn\u00e9es<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-222b3f8 elementor-widget elementor-widget-heading\" data-id=\"222b3f8\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Importation et informations des variables<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7972868 elementor-widget elementor-widget-text-editor\" data-id=\"7972868\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Pour importer un dataset, la librairie Pandas propose une m\u00e9thode tr\u00e8s pratique qui est <\/span><b>pd.read_csv()<\/b><span style=\"font-weight: 400;\">. Si le fichier contenant le jeu de donn\u00e9es est dans un autre format que <\/span><i><span style=\"font-weight: 400;\">Comma Separated Value<\/span><\/i><span style=\"font-weight: 400;\">, il suffit de changer la terminaison de la m\u00e9thode par le bon type de fichier. Par exemple, un fichier Excel sera import\u00e9 de la mani\u00e8re suivante : <\/span><b>pd.read_excel()<\/b><span style=\"font-weight: 400;\">. Cette m\u00e9thode importe le jeu de donn\u00e9es en structure DataFrame.<\/span><\/span><\/p>\n<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Ensuite, la m\u00e9thode <\/span><b>info()<\/b><span style=\"font-weight: 400;\"> doit \u00eatre utilis\u00e9e pour avoir les informations relatives au DataFrame.&nbsp; Cette m\u00e9thode renvoie le type des variables,&nbsp; le nombre des colonnes, le nombre de lignes non nulles, le type de l\u2019index, la taille en m\u00e9moire du jeu de donn\u00e9es, etc. Il est aussi recommand\u00e9 d\u2019utiliser la m\u00e9thode <\/span><b>describe()<\/b><span style=\"font-weight: 400;\">, qui permet de savoir quelques statistiques descriptives sur le DataFrame. Elle permet par exemple de conna\u00eetre la valeur minimale et maximale de chaque variable, les quartiles ou encore l\u2019\u00e9cart-type des colonnes. Cette m\u00e9thode est pratique pour avoir une id\u00e9e de la distribution des variables.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c2e5af6 elementor-widget elementor-widget-heading\" data-id=\"c2e5af6\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Premier aper\u00e7u du DataFrame<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0168efc elementor-widget elementor-widget-text-editor\" data-id=\"0168efc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Lorsque le jeu de donn\u00e9es est import\u00e9, il faut avoir une vue d\u2019ensemble du DataFrame. La premi\u00e8re \u00e9tape est d\u2019utiliser l\u2019attribut <\/span><b>shape<\/b><span style=\"font-weight: 400;\">, qui permet de conna\u00eetre la dimension du DataFrame en renvoyant un tuple <\/span><i><span style=\"font-weight: 400;\">(nombre_de_lignes, nombre_de_colonnes)<\/span><\/i><span style=\"font-weight: 400;\">. Pour ce qui est d\u2019appr\u00e9hender le jeu de donn\u00e9es, trois m\u00e9thodes sont tr\u00e8s utiles pour visualiser les lignes du DataFrame :<\/span><\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">La m\u00e9thode <\/span><b>head()<\/b><span style=\"font-weight: 400;\"> renvoie les cinq premi\u00e8res lignes du DataFrame, si aucun nombre n\u2019est sp\u00e9cifi\u00e9 entre parenth\u00e8ses.\u00a0<br \/><br \/><\/span><\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">\u00c0 contrario, la m\u00e9thode <\/span><b>tail()<\/b><span style=\"font-weight: 400;\"> permet de visualiser les cinq derni\u00e8res lignes du DataFrame.\u00a0<\/span><\/span><\/li><\/ul><p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Ces deux m\u00e9thodes permettent d\u2019avoir une visualisation du d\u00e9but et de la fin du jeu de donn\u00e9es.<\/span><span style=\"font-weight: 400;\"> Ce qui comporte un r\u00e9el avantage pour les donn\u00e9es de type Times Series, pour avoir une vision simple de l\u2019\u00e9volution des donn\u00e9es dans le temps, mais permet aussi, dans un cas plus g\u00e9n\u00e9ral, de voir si les donn\u00e9es gardent un certain sens : si le d\u00e9but du DataFrame diff\u00e8re consid\u00e9rablement de la fin de ce dernier, il faut en comprendre la cause et chercher \u00e0 r\u00e9soudre ce probl\u00e8me avant toute manipulation des donn\u00e9es.<\/span><\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Si une visualisation plus al\u00e9atoire des lignes est voulue, la m\u00e9thode <\/span><b>sample() <\/b><span style=\"font-weight: 400;\">doit \u00eatre privil\u00e9gi\u00e9e.<\/span> <span style=\"font-weight: 400;\">Elle renvoie les lignes de mani\u00e8re al\u00e9atoire. Par d\u00e9faut, le r\u00e9sultat ne retourne qu\u2019une ligne du DataFrame. Il est donc pr\u00e9f\u00e9rable d\u2019\u00e9crire un entier dans les parenth\u00e8ses pour visualiser un plus grand nombre de lignes et, par cons\u00e9quent, se faire une meilleure id\u00e9e du contenu du DataFrame.<\/span><\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f351836 elementor-widget elementor-widget-heading\" data-id=\"f351836\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Le Slicing<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f84bf5f elementor-widget elementor-widget-text-editor\" data-id=\"f84bf5f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Nous pouvons filtrer nos donn\u00e9es en utilisant le <\/span><b>slice<\/b><span style=\"font-weight: 400;\">. Par exemple, <\/span><b>df[:2]<\/b><span style=\"font-weight: 400;\"> renvoie les deux premi\u00e8res lignes de notre DataFrame. Attention, il ne faut pas oublier que le dernier nombre est exog\u00e8ne au r\u00e9sultat, ce qui signifie que dans l\u2019exemple, le slicing renverra les lignes \u00e0 l\u2019index 0 et 1.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9335d7d elementor-widget elementor-widget-heading\" data-id=\"9335d7d\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">B- Manipulation des donn\u00e9es<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-91380cb elementor-widget elementor-widget-heading\" data-id=\"91380cb\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Ajouter et changer des donn\u00e9es<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c9da4d elementor-widget elementor-widget-text-editor\" data-id=\"3c9da4d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Comme expliqu\u00e9 dans l\u2019introduction, les DataFrames sont des tableaux \u00e0 deux dimensions, qui correspondent aux axes des lignes (axis = 0) et des colonnes (axis = 1). Il est possible de rajouter autant de lignes ou de colonnes n\u00e9cessaires en sp\u00e9cifiant l\u2019axe dans lequel nous voulons rajouter ces nouvelles valeurs.\u00a0<\/span><\/p><p><br \/><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Ce qui est int\u00e9ressant avec les DataFrames, c\u2019est qu\u2019il est tr\u00e8s facile de r\u00e9cup\u00e9rer, changer, charger ou chercher des donn\u00e9es dans cette structure.<\/span><span style=\"font-weight: 400;\"> Imaginons un DataFrame index\u00e9 par le temps, et que nous voulons r\u00e9cup\u00e9rer toutes les donn\u00e9es du 18 d\u00e9cembre 2020. Avec la fonction <\/span><b>iloc<\/b><span style=\"font-weight: 400;\">, il est possible de r\u00e9cup\u00e9rer toutes les donn\u00e9es des variables \u00e0 cette date. De plus, il est possible de remplacer une valeur d\u2019une des colonnes avec cette fonction en sp\u00e9cifiant l\u2019index et le nom de la colonne. Par exemple, si au 18 d\u00e9cembre 2020 la valeur est manquante, mais nous savons que la valeur r\u00e9elle est de 25, il suffit de faire <\/span><b>df.iloc[index_de_la_ligne, \u201ccolumns\u201d] = 25<\/b><span style=\"font-weight: 400;\">. <\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-25c8047 elementor-widget elementor-widget-heading\" data-id=\"25c8047\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Le Boolean Indexing<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1688c80 elementor-widget elementor-widget-text-editor\" data-id=\"1688c80\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Il est possible de filtrer les donn\u00e9es en fonction d\u2019une ou plusieurs conditions, ce qui permet de r\u00e9cup\u00e9rer des donn\u00e9es sp\u00e9cifiques et\/ou particuli\u00e8res \u00e0 un besoin pr\u00e9cis, et d\u2019en r\u00e9v\u00e9ler toutes les informations utiles et n\u00e9cessaires. C\u2019est ce que l\u2019on appelle le <\/span><b>boolean indexing<\/b><span style=\"font-weight: 400;\">. Cette technique permet de savoir si la valeur d\u2019un test est True ou False et renvoie le r\u00e9sultat sous la forme d\u2019un vecteur. Par exemple, nous sommes en pr\u00e9sence d\u2019un jeu de donn\u00e9es o\u00f9 chaque colonne est un mois de l\u2019ann\u00e9e, que le DataFrame est de type DateTimeIndex, et que nous voulons r\u00e9cup\u00e9rer les lignes o\u00f9 le mois de janvier est strictement sup\u00e9rieur \u00e0 25, alors la mani\u00e8re d\u2019\u00e9crire le code est la suivante : <\/span><b>df[df[\u201cjanvier\u201d] &gt; 25]<\/b><span style=\"font-weight: 400;\">. Cette m\u00e9thode de boolean indexing permet de filtrer les donn\u00e9es pour ne renvoyer que les lignes qui v\u00e9rifient la condition \u201cles valeurs sup\u00e9rieures \u00e0 25 pour le mois de janvier\u201d. De mani\u00e8re g\u00e9n\u00e9rale, le boolean indexing s\u2019\u00e9crit sous le format suivant : <\/span><b>df[\u201ccondition\u201d]<\/b><span style=\"font-weight: 400;\">.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ab4a8c1 elementor-widget elementor-widget-heading\" data-id=\"ab4a8c1\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Les colonnes<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-87082eb elementor-widget elementor-widget-text-editor\" data-id=\"87082eb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Les DataFrames permettent de manipuler et stocker un grand nombre de donn\u00e9es. Cependant, dans un cadre professionnel, il arrive r\u00e9guli\u00e8rement de tra\u00eeter des donn\u00e9es massives, avec des variables tr\u00e8s nombreuses. L\u2019augmentation du nombre de variables a un impact particulier sur l\u2019organisation des DataFrames. <\/span><span style=\"font-weight: 400;\">En effet, plus le nombre de colonnes est \u00e9lev\u00e9, moins il est ais\u00e9 de visualiser le nom des variables.<\/span><span style=\"font-weight: 400;\"> Pour r\u00e9soudre ce probl\u00e8me, il existe plusieurs manipulations possibles.\u00a0<\/span><\/span><\/p><p><br \/><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Si le DataFrame pr\u00e9sente dix variables diff\u00e9rentes, il est possible de conna\u00eetre leur nom en utilisant l\u2019attribut <\/span><b>df.columns<\/b><span style=\"font-weight: 400;\">. Mais, lorsque le jeu de donn\u00e9es pr\u00e9sente huit-cents colonnes, l\u2019affichage du nom des variables ne sera pas complet. Pour r\u00e9soudre ce probl\u00e8me, il est possible d\u2019utiliser la m\u00e9thode <\/span><b>df.columns.toList()<\/b><span style=\"font-weight: 400;\">, qui permet de stocker le nom des colonnes dans une liste Python. De plus, pour savoir s\u2019il existe des lignes qui ne sont pas uniques, qui peuvent \u00eatre en double, la m\u00e9thode <\/span><b>df[\u201ccolumns\u201d].value_counts() <\/b><span style=\"font-weight: 400;\">est une mani\u00e8re simple de le v\u00e9rifier. Par simplicit\u00e9 de lecture, si nous sommes habitu\u00e9s \u00e0 travailler avec des tableaux, il est possible d\u2019ajouter <\/span><b>to_frame()<\/b><span style=\"font-weight: 400;\"> \u00e0 la fin du code pour visualiser les r\u00e9sultats sous le format d\u2019un DataFrame. Cette m\u00e9thode de value_counts() permet de conna\u00eetre l&rsquo;occurrence des modalit\u00e9s d\u2019une variable.<\/span><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e22b282 elementor-widget elementor-widget-heading\" data-id=\"e22b282\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Les valeurs manquantes<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d5aa7ca elementor-widget elementor-widget-text-editor\" data-id=\"d5aa7ca\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"color: #000000;\"><span style=\"font-weight: 400;\">Il est tr\u00e8s commun de g\u00e9rer les valeurs manquantes et\/ou aberrantes lorsque l\u2019on travaille sur un projet de Data Science. Les DataFrames permettent de r\u00e9gler ce probl\u00e8me avec une facilit\u00e9 d\u00e9concertante. Par exemple, pour les donn\u00e9es qualitatives, une des m\u00e9thodes de remplacement des valeurs manquantes est de traiter par le mode des modalit\u00e9s. Il suffit d\u2019utiliser le code suivant pour arriver \u00e0 faire cette manipulation : <\/span><b>df[column].fillna(df[columns].mode()[0])<\/b><span style=\"font-weight: 400;\">. Ou par exemple, remplacer des valeurs quantitatives par la moyenne.<\/span><\/span><\/p><p><span style=\"font-weight: 400; color: #000000;\">Ainsi, les DataFrames permettent de valoriser des corr\u00e9lations et les relations entre les donn\u00e9es gr\u00e2ce aux diff\u00e9rentes manipulations possibles, de d\u00e9finir des filtres sur les donn\u00e9es pr\u00e9sent\u00e9es aux \u00e9quipes, de stocker et manipuler des donn\u00e9es massives. Pour conclure, les DataFrames permettent aux professionnels de la data de faire parler leurs donn\u00e9es, en d\u00e9cidant des conditions et des manipulations \u00e0 faire.\u00a0\u00a0<\/span><\/p><p><span style=\"font-weight: 400; color: #000000;\">Si vous souhaitez apprendre \u00e0 faire parler les donn\u00e9es, nos cursus de formation en Data Science sont faits pour vous ! <\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-89b83bb elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"89b83bb\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formations-data\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">D\u00e9couvrir les programmes<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Pandas est l\u2019une des librairies incontournables de Python, qui est un langage de programmation orient\u00e9 objet de haut niveau tr\u00e8s populaire chez les Data Scientists. Les structures les plus utilis\u00e9es de ce module sont les Series et les DataFrames. Contrairement aux Series, qui sont des objets correspondants \u00e0 des tableaux \u00e0 une seule dimension, les [&hellip;]<\/p>\n","protected":false},"author":78,"featured_media":129772,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2497],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Qu\u2019est-ce qu\u2019un DataFrame ? | DataScientest.com<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez la structure des DataFrames, ses diff\u00e9rents attributs et m\u00e9thodes de base ainsi que leur utilit\u00e9 et leur fonctionnement.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/quest-ce-quun-dataframe\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Qu\u2019est-ce qu\u2019un DataFrame ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/quest-ce-quun-dataframe\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2021-11-30T14:41:44+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T14:05:41+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/DATAFRAME_Plan-de-travail-1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1405\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"J\u00e9r\u00e9my Robert\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"J\u00e9r\u00e9my Robert\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/quest-ce-quun-dataframe\",\"url\":\"https:\/\/datascientest.com\/quest-ce-quun-dataframe\",\"name\":\"Qu\u2019est-ce qu\u2019un DataFrame ? | DataScientest.com\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2021-11-30T14:41:44+00:00\",\"dateModified\":\"2023-11-09T14:05:41+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\"},\"description\":\"D\u00e9couvrez la structure des DataFrames, ses diff\u00e9rents attributs et m\u00e9thodes de base ainsi que leur utilit\u00e9 et leur fonctionnement.\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/quest-ce-quun-dataframe\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/#website\",\"url\":\"https:\/\/datascientest.com\/\",\"name\":\"Formation Data Science | DataScientest.com\",\"description\":\"Leader de la formation en Data Science\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\",\"name\":\"J\u00e9r\u00e9my Robert\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"caption\":\"J\u00e9r\u00e9my Robert\"},\"description\":\"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/jeremyrobert1\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/jeremyrobert\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Qu\u2019est-ce qu\u2019un DataFrame ? | DataScientest.com","description":"D\u00e9couvrez la structure des DataFrames, ses diff\u00e9rents attributs et m\u00e9thodes de base ainsi que leur utilit\u00e9 et leur fonctionnement.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/quest-ce-quun-dataframe","og_locale":"fr_FR","og_type":"article","og_title":"Qu\u2019est-ce qu\u2019un DataFrame ?","og_url":"https:\/\/datascientest.com\/quest-ce-quun-dataframe","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2021-11-30T14:41:44+00:00","article_modified_time":"2023-11-09T14:05:41+00:00","og_image":[{"width":2560,"height":1405,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2021\/11\/DATAFRAME_Plan-de-travail-1.png","type":"image\/png"}],"author":"J\u00e9r\u00e9my Robert","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"J\u00e9r\u00e9my Robert","Dur\u00e9e de lecture estim\u00e9e":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/quest-ce-quun-dataframe","url":"https:\/\/datascientest.com\/quest-ce-quun-dataframe","name":"Qu\u2019est-ce qu\u2019un DataFrame ? | DataScientest.com","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2021-11-30T14:41:44+00:00","dateModified":"2023-11-09T14:05:41+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925"},"description":"D\u00e9couvrez la structure des DataFrames, ses diff\u00e9rents attributs et m\u00e9thodes de base ainsi que leur utilit\u00e9 et leur fonctionnement.","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/quest-ce-quun-dataframe"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/#website","url":"https:\/\/datascientest.com\/","name":"Formation Data Science | DataScientest.com","description":"Leader de la formation en Data Science","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925","name":"J\u00e9r\u00e9my Robert","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","caption":"J\u00e9r\u00e9my Robert"},"description":"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.","sameAs":["https:\/\/www.linkedin.com\/in\/jeremyrobert1\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/jeremyrobert"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/128100"}],"collection":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=128100"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/128100\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/129772"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=128100"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=128100"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=128100"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}