บทนำ เมื่อมีลิสต์ของดิกชันนารี และต้องการรวบรวม key ทั้งหมดที่ปรากฏ โดยไม่ซ้ำกัน สามารถใช้ set comprehension หรือ itertools.chain ได้อย่างมีประสิทธิภาพ ตัวอย่างโค้ด (โค้ดต้นฉบับมีบั๊ก: ดึง values ไม่ใช่ keys) my_list = [ {hi: 11, there: 28}, {how: 11, are: 31}, {you: 28, Will: 31} ] pr

บทนำ ใน Pandas สามารถใช้ตัวดำเนินการ & (bitwise AND) ระหว่าง DataFrame.columns ได้โดยตรง เพื่อหาคอลัมน์ที่ซ้ำกัน (intersection) ระหว่างสอง DataFrame เพราะ Index รองรับการดำเนินการเซต ตัวอย่างโค้ด import pandas as pd # DataFrame แรก df1 = pd.DataFrame({ Car: [BMW, Lexus, Tesla, Mustang, Mercede

บทนำ โปรแกรมนี้สาธิตการนำองค์ประกอบในลิสต์มารวมกันเป็นสตริงเดียว แล้วจัดเรียงตัวเลขแต่ละหลักจากน้อยไปมาก และแปลงเป็นจำนวนเต็ม ขั้นตอนการทำงาน แปลงทุกองค์ประกอบในลิสต์เป็นสตริง รวม (join) เป็นสตริงเดียว จัดเรียงตัวอักษรในสตริง (ซึ่งคือตัวเลข) จากน้อยไปมาก แปลงกลับเป็นจำนวนเต็ม ตัวอย่างโค้

บทนำ เมื่อต้องการหาสตริงที่ปรากฏเป็น substring (ส่วนย่อย) ในลิสต์สตริงอีกชุดหนึ่ง สามารถใช้ set comprehension ร่วมกับการวนลูปซ้อนได้อย่างมีประสิทธิภาพ หลักการ วนลูปทุกคู่ของสตริงจากลิสต์ทั้งสอง ตรวจสอบว่า elem_1 in subset_1 (elem_1 เป็น substring ของ subset_1) ใช้ set() เพื่อกำจัดค่าซ้ำ แป

บทนำ เมธอด query() ของ Pandas DataFrame ช่วยให้กรองแถวข้อมูลด้วยสตริงเงื่อนไข (string expression) ได้สะดวก อ่านง่ายกว่า boolean indexing แบบเดิม และรองรับตัวแปรภายนอกด้วยเครื่องหมาย @ รูปแบบพื้นฐาน 70 and Rank < 3) df.query(Country in [India, Australia]) ตัวอย่างครบถ้วน 70 และ Rank 70 และ Rank

บทนำ โจทย์ Subset Sum Problem คือการหาชุดย่อย (subset) ทุกชุดจากลิสต์ที่มีผลรวมเท่ากับค่าเป้าหมาย s สามารถแก้ได้ด้วยการสร้างคอมบิเนชันทุกความยาวแล้วตรวจสอบผลรวม วิธีการ: ใช้ itertools.combinations โมดูล itertools มีฟังก์ชัน combinations() ที่สร้างคอมบิเนชันทุกชุดได้อย่างมีประสิทธิภาพ ตัวอย่างโค้ด

บทนำ เมื่อต้องการแปลงรายการซ้อนกัน (list of lists) ให้กลายเป็นรายการของเซต (list of sets) เพื่อกำจัดค่าซ้ำในแต่ละสับรายการ สามารถใช้ฟังก์ชัน map() ร่วมกับ set() และ list() ได้อย่างมีประสิทธิภาพ หลักการทำงาน map(set, my_list): ใช้ฟังก์ชัน set() กับแต่ละสับรายการในลิสต์หลัก list(...): แปลง map o

บทนำ Pivot Table เป็นเครื่องมือสำคัญในการสรุปและวิเคราะห์ข้อมูล แบบ spreadsheet-style ใน Pandas สามารถสร้างได้ด้วยฟังก์ชัน pandas.pivot_table() ซึ่งจะคืนค่าเป็น DataFrame ทันที ขั้นตอนการสร้าง Pivot Table นำเข้าไลบรารี pandas สร้าง DataFrame ต้นทาง ใช้ pd.pivot_table() โดยระบุ index (แถว), c

ขั้นตอนการใส่คำอธิบายใน Pairplot หากต้องการเพิ่มข้อความอธิบาย (annotation) ลงใน pairplot ของ Seaborn สามารถใช้เมธอด fig.text() ได้ ซึ่งจะช่วยให้เราวางข้อความได้ที่ตำแหน่งใดก็ได้ในรูปภาพ ขั้นตอนหลัก นำเข้าไลบรารีที่จำเป็น: Seaborn, Pandas, NumPy และ Matplotlib Pyplot กำหนดขนาดรูปภาพและปรับระยะห

ใช้ plt.yscale(symlog) เพื่อตั้งค่าแกน Y ให้เป็นมาตราส่วนแบบ symmetric logarithmic (symlog) เหมาะสำหรับข้อมูลที่มีค่าครอบคลุมหลายออเดอร์ของแม็กนิจูด และมีค่าศูนย์หรือค่าลบ ขั้นตอน ตั้งค่าขนาด Figure สร้างข้อมูล x, y ด้วย numpy.arange พล็อตข้อมูล ตั้งค่าแกน Y เป็น symlog ด้วย plt.yscale(symlog) แสดง

ในการเพิ่ม Legend สำหรับเส้นแนวตั้ง (vertical line) ที่วาดด้วย ax.plot([x, x], [y1, y2]) ให้สร้าง proxy artist ด้วย matplotlib.lines.Line2D แล้วนำเข้า Legend ขั้นตอน สร้าง Figure และ Axes วาดเส้นแนวตั้งด้วย ax.plot() สร้าง Line2D proxy artist ที่มี marker แบบแนวตั้ง เพิ่ม Legend ด้วย plt.legend(han

วิธีการองค์ประกอบจำกัด (Finite Element Method - FEM) แบ่งโดเมนใหญ่เป็นองค์ประกอบเล็กๆ เพื่อจำลองทางฟิสิกส์ สามารถแสดงผล 2D ได้ด้วย tricontourf() ของ Matplotlib ซึ่งรองรับ unstructured triangular grid ขั้นตอน ตั้งค่าขนาด Figure สร้างข้อมูล nodes (จุด), elements (สามเหลี่ยม), และ values (ค่าที่โนด) T

ใช้เมธอด corr() ของ Series เพื่อคำนวณสหสัมพันธ์พีอาร์สัน (Pearson correlation coefficient) ระหว่างสองคอลัมน์ตัวเลข ค่าอยู่ระหว่าง -1 ถึง 1 ขั้นตอน สร้าง DataFrame ที่มีคอลัมน์ตัวเลขสองคอลัมน์ เลือกคอลัมน์ทั้งสองเป็น Series ใช้ col1.corr(col2) คำนวณสหสัมพันธ์ พล็อตกระจาย (scatter) เพื่อดูความสัมพันธ

หลังสร้าง Histogram ด้วย plt.hist() สามารถบันทึกเป็นไฟล์ภาพได้โดยใช้ plt.savefig() ก่อนเรียก plt.show() ขั้นตอน ตั้งค่าขนาด Figure สร้างข้อมูลสำหรับ Histogram พล็อต Histogram ด้วย hist() บันทึกภาพด้วย plt.savefig(filename.png) แสดงผลด้วย show() (ถ้าต้องการ) ตัวอย่างโค้ด import matplotlib.pyplot as

สามารถอ่านข้อมูลจากไฟล์ข้อความ (.txt) แล้วพล็อตเป็นกราฟแท่ง (bar chart) ได้โดยการอ่านไฟล์บรรทัดต่อบรรทัด แยกชื่อและค่า แล้วนำไปใช้กับ plt.bar() ขั้นตอน ตั้งค่าขนาด Figure สร้างลิสต์ว่างสำหรับชื่อและค่า เปิดไฟล์ .txt โหมดอ่าน (r) วนลูปอ่านแต่ละบรรทัด แยกชื่อและค่าด้วย split() เพิ่มในลิสต์ พล็อตกราฟแ

ใน Matplotlib ปกติ plot() จะเชื่อมจุดด้วยเส้นตรง หากต้องการเส้นโค้ง ให้คำนวณจุดระหว่างทาง (interpolation) เอง เช่นใช้ฟังก์ชัน hyperbolic cosine (cosh) เพื่อสร้างโค้งเรียบ ขั้นตอน กำหนดขนาด Figure และ padding สร้างฟังก์ชัน draw_curve() คำนวณพิกัดโค้งจากสองจุด พล็อตจุดต้นทางและปลายทาง พล็อตเส้นโค้งจา

เมธอด min() ของ Series/DataFrame ใช้หาค่าต่ำสุด (Minimum) ของคอลัมน์ตัวเลข สามารถใช้กับคอลัมน์เดียวหรือหลายคอลัมน์พร้อมกัน ขั้นตอนการทำงาน 1. สร้าง DataFrame import pandas as pd dataFrame1 = pd.DataFrame({ Car: [BMW, Lexus, Audi, Tesla, Bentley, Jaguar], Units: [100, 150, 110, 80, 110, 90]

ฟังก์ชัน pandas.pivot_table() สร้างตารางสรุปข้อมูล (Summary Table) แบบ Spreadsheet รองรับหลาย Index Columns และหลาย Value Columns พร้อมฟังก์ชันสรุป (Aggregation Functions) หลากหลาย ขั้นตอนการทำงาน 1. สร้าง DataFrame ข้อมูลทีม import pandas as pd dataFrame = pd.DataFrame({ Team ID: {0: 5, 1: 9,

ฟังก์ชัน numpy.isinf() ตรวจสอบค่า Infinity (บวกหรือลบ) ในอาร์เรย์หรือ DataFrame คืนค่า Boolean Array รวมกับ .sum() เพื่อนับจำนวนค่า Inf ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd import numpy as np 2. สร้าง DataFrame มีค่า Inf d = { Reg_Price: [7000.5057, np.inf, 5000, np.inf, 9000.7

การเพิ่มคอลัมน์ใหม่พร้อมกำหนด ค่าคงที่ (Constant Value)** ให้ทุกแถว ทำได้ง่ายด้วย Index Operator df[new_col] = value Pandas จะ Broadcast ค่านั้นไปทุกแถวอัตโนมัติ ขั้นตอนการทำงาน 1. สร้าง DataFrame import pandas as pd dataFrame = pd.DataFrame({ Car: [Bentley, Lexus, BMW, Mustang, Mercedes, Jagu