เมธอด iloc[] ใช้เข้าถึงข้อมูลด้วย **ตำแหน่งจำนวนเต็ม (integer position)** สามารถใช้แทรก/แก้ไขแถวที่ตำแหน่งเฉพาะได้ แต่ ไม่ใช่วิธีมาตรฐานในการเพิ่มแถวใหม่** (ควรใช้ pd.concat หรือ loc แทน) ขั้นตอนการทำงาน 1. สร้าง DataFrame ข้อมูลทีม import pandas as pd Team = [ [India, 1, 100], [Australia,

เมื่อเรียก pd.merge(df1, df2) **โดยไม่ระบุพารามิเตอร์ on, left_on, right_on** Pandas จะ Auto-detect คอลัมน์ที่ชื่อเหมือนกัน** ในทั้งสอง DataFrame และใช้เป็น Key ในการ Join อัตโนมัติ (Inner Join) ขั้นตอนการทำงาน 1. สร้าง DataFrame 2 ตัว มีคอลัมน์ Car ร่วมกัน import pandas as pd dataFrame1 = pd.Data

ฟังก์ชัน pd.merge() ใช้รวมสอง DataFrame ตามคอลัมน์ร่วม (Common Column / Key) โดยระบุพารามิเตอร์ on=column_name เป็น Inner Join (default) เก็บเฉพาะแถวที่มี key ตรงกันในทั้งสองฝั่ง ขั้นตอนการทำงาน 1. สร้าง DataFrame 2 ตัว มีคอลัมน์ Car ร่วมกัน import pandas as pd dataFrame1 = pd.DataFrame({ Car:

ฟังก์ชัน numpy.intersect1d() หาค่าที่ซ้ำกัน (intersection) ของสองอาร์เรย์ 1D ใช้หาชื่อคอลัมน์ที่เหมือนกันระหว่างสอง DataFrame ได้อย่างรวดเร็ว ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd import numpy as np 2. สร้าง DataFrame 2 ตัว มีคอลัมน์บางส่วนซ้ำกัน dataFrame1 = pd.DataFrame({ Car:

เมธอด drop_duplicates() พร้อมพารามิเตอร์ keep=last และ subset ใช้สร้าง Subset ที่เก็บเฉพาะ **รายการสุดท้าย (last occurrence)** ของค่าซ้ำ ตามคอลัมน์ที่ระบุ ขั้นตอนการทำงาน 1. สร้าง DataFrame มีค่าซ้ำใน Car และ Place import pandas as pd dataFrame = pd.DataFrame({ Car: [BMW, Mercedes, Lamborghini

เมธอด stack() ใช้ย้ายระดับในคอลัมน์ (column level) ไปเป็นแถว (row level) ทำให้ MultiIndex Columns กลายเป็น MultiIndex Rows (Hierarchical Index) เหมาะสำหรับ Reshape ข้อมูลจาก Wide เป็น Long format ขั้นตอนการทำงาน 1. สร้าง MultiIndex Columns import pandas as pd items = pd.MultiIndex.from_tuples([

ฟังก์ชัน pd.concat() รองรับการรวม DataFrame ได้ไม่จำกัดจำนวน โดยรับ list ของ DataFrame เข้าไป สามารถต่อแถว (axis=0) หรือต่อคอลัมน์ (axis=1) ขั้นตอนการทำงาน 1. สร้าง DataFrame 3 ตัว import pandas as pd dataFrame1 = pd.DataFrame({ Col1: [10, 20, 30], Col2: [40, 50, 60], Col3: [70, 80, 90

การรวม (Merge/Concatenate) ไฟล์ CSV หลายไฟล์เป็น DataFrame เดียว ทำได้ง่ายด้วย pd.concat() ร่วมกับ map(pd.read_csv, file_list) หรือ List Comprehension ขั้นตอนการทำงาน 1. นำเข้าไลบรารีและกำหนด path ไฟล์ import pandas as pd file1 = rC:\Users\amit_\Desktop\sales1.csv file2 = rC:\Users\amit_\Desktop\s

ใช้โมดูล glob ค้นหาไฟล์ .xlsx ทั้งหมดในโฟลเดอร์ แล้ววนลูปอ่านด้วย pd.read_excel() รวมเป็น DataFrame เดียวได้ด้วย pd.concat() ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd import glob 2. กำหนด path และหาไฟล์ .xlsx path = rC:\Users\amit_\Desktop\ filenames = glob.glob(path + *.xlsx) print(Fil

พารามิเตอร์ order ใน sns.violinplot() ควบคุมลำดับการแสดงหมวดหมู่บนแกน categorical (x หรือ y) เหมือนกับ boxplot และ swarmplot ทำให้การนำเสนอข้อมูลเป็นไปตามเจตนา ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import matplotlib.pyplot as plt 2. โหลดข้อมูล Cricketers.csv da

พารามิเตอร์ hue ใน sns.swarmplot() ใช้จัดกลุ่มจุดข้อมูล (swarms) ตาม ตัวแปรหมวดหมู่ที่สอง** ภายในกลุ่มหลัก (x หรือ y) สร้างการเปรียบเทียบระหว่างกลุ่มย่อยได้ชัดเจน ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import matplotlib.pyplot as plt 2. โหลดข้อมูล Cricketers2.cs

พารามิเตอร์ order ใน sns.swarmplot() ใช้ควบคุมลำดับการแสดงหมวดหมู่บนแกน (ควบคุมได้ทั้ง x และ y) ทำให้กราฟอ่านง่ายและสอดคล้องกับเจตนานักวิเคราะห์ ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import matplotlib.pyplot as plt 2. โหลดข้อมูล Cricketers2.csv dataFrame = pd.r

การรวม Box Plot** (สรุปสถิติ) และ Swarm Plot** (จุดข้อมูลจริง) ให้ภาพลักษณะข้อมูลครบถ้วน วาด Box Plot ก่อน แล้วทับ Swarm Plot ด้วยพารามิเตอร์ whis=np.inf เพื่อให้ whiskers ครอบจุดข้อมูลทั้งหมด ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import numpy as np import matpl

Violin Plot** รวม Box Plot และ Kernel Density Estimate (KDE) แสดงการกระจายตัวของข้อมูลละเอียดกว่า Box Plot เพียงอย่างเดียว ใน Seaborn ใช้ sns.violinplot() พารามิเตอร์ inner=quartile จะแสดงเส้นควอไทล์ (Q1, Median, Q3) เป็นเส้นแนวนอนภายใน violin ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns

โมดูล glob ใช้ค้นหาไฟล์ตาม pattern (wildcard) ร่วมกับ pd.read_csv() เพื่ออ่านไฟล์ CSV หลายไฟล์ในโฟลเดอร์อัตโนมัติ ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd import glob 2. กำหนด path และหาไฟล์ .csv path = rC:\Users\amit_\Desktop\MyProject\ filenames = glob.glob(path + *.csv) 3. วนลูปอ่า

เมธอด sort_values() ใช้เรียงลำดับแถวของ DataFrame ตามคอลัมน์ที่ระบุ รองรับการเรียงหลายคอลัมน์ ขึ้น/ลง และการจัดการ NaN พารามิเตอร์สำคัญ พารามิเตอร์ค่าเริ่มต้นคำอธิบาย by(required)ชื่อคอลัมน์ หรือ list ของคอลัมน์ axis00 = เรียงแถว, 1 = เรียงคอลัมน์ ascendingTrueTrue = น้อยไปมาก, False = มากไปน้อ

เมธอด Series.str.contains() ใช้ค้นหา substring (ข้อความย่อย) ภายในคอลัมน์ข้อความ (string column) คืนค่า Boolean Series ใช้กรองแถวได้โดยตรง ใช้ Regular Expression ได้ ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) 2. กรองแถวที่คอลั

เมธอด itertuples() ใช้วนลูป (iterate) ผ่านแถวของ DataFrame ได้อย่างมีประสิทธิภาพ (เร็วกว่า iterrows() มาก) คืนค่าเป็น namedtuple ที่เข้าถึงค่าได้ทั้งแบบ index และชื่อคอลัมน์ ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) 2. วนลูปแ

เมธอด head(n) ใช้แสดง n แถวแรก (top n rows)** ของ DataFrame ค่า default คือ 5 แถว เหมาะสำหรับตรวจสอบข้อมูลเบื้องต้น (Data Inspection) อย่างรวดเร็ว ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) 2. ใช้ head() แสดงจำนวนแถวที่ต้องการ

แอตทริบิวต์ shape ของ DataFrame คืนค่าเป็น tuple (rows, columns) แสดงจำนวนแถวและคอลัมน์ทันที โดยไม่ต้องคำนวณ นี่คือวิธีเร็วที่สุดในการตรวจสอบขนาดข้อมูล ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) 2. ใช้ .shape rows, cols = data