Bienvenue dans notre newsletter !

Dans cet email, nous allons vous présenter 10 astuces Python pour améliorer votre workflow de préparation de données. Ces techniques vous aideront à rendre vos processus plus efficaces et plus lisibles.

1. Chainer les Transformations avec Pipe

Utilisez la fonction pipe() de Pandas pour chainer plusieurs transformations de données sans nécessiter de variables intermédiaires. 🔄

Exemple : df = df.pipe(lambda d: d.rename(columns={'old_name': 'new_name'})).pipe(lambda d: d.query('new_name > 10'))

2. Pivoter les Données avec Plusieurs Agrégations

Créez des tableaux croisés dynamiques avec plusieurs agrégations en une seule ligne. 📊

Exemple : pivot_df = df.pivot_table(index='category', columns='sub_category', values='value', aggfunc={'value': [np.mean, np.sum]})

3. Rééchantillonner les Séries Temporelles avec Plusieurs Agrégations

Rééchantillonnez vos données temporelles et appliquez plusieurs agrégations en une seule opération. ⏰

Exemple : df_resampled = df.set_index('timestamp').resample('D').agg({'value': ['mean', 'max'], 'count': 'sum'}).reset_index()

4. Sélection Conditionnelle pour Assigner des Valeurs

Créez de nouvelles colonnes basées sur des conditions en utilisant NumPy. 📈

Exemple : df['salary_level'] = np.select([df['salary'] < 3000, (df['salary'] >= 3000) & (df['salary'] < 6000)], ['Low', 'Medium', 'High'])

5. Optimiser les Requêtes de DataFrame avec Eval

Utilisez la fonction eval() pour optimiser les calculs dans vos DataFrames et améliorer la performance. 🚀

Exemple : df = df.eval("col3 = (col1 * 0.8 + col2 * 0.2) / col4", inplace=False)

Et Plus Encore...

Découvrez les 5 autres astuces dans notre article complet pour améliorer encore plus votre workflow de préparation de données.

Lire l'article complet