สมมติว่าคุณมีสอง DataFrame และต้องการสร้างตารางข้าม (cross-tabulation) ระหว่างคอลัมน์จากทั้งสอง DataFrame วิธีแก้ปัญหา สร้างสอง DataFrame ใช้ pd.crosstab() กำหนด index และ columns จากคอลัมน์ที่ต้องการ ตัวอย่างโค้ด import pandas as pd df = pd.DataFrame({Id: [1, 2, 3, 4, 5], Age: [12, 13, 12, 1

สมมติว่าคุณมี DataFrame และต้องการเปลี่ยนชื่อของแกนคอลัมน์ (column axis) วิธีแก้ปัญหา สร้าง DataFrame ใช้ df.rename_axis(index, axis=1) เพื่อตั้งชื่อแกนคอลัมน์เป็น index ตัวอย่างโค้ด import pandas as pd df = pd.DataFrame({ Id: [1, 2, 3, None, 5], Age: [12, 12, 14, 13, None], Mark:

สมมติว่าคุณมี DataFrame ที่มีค่าขาดหายไป (NaN) และต้องการเติมค่าโดยใช้วิธี interpolation วิธีแก้ปัญหา สร้าง DataFrame ที่มีค่า NaN ใช้ df.interpolate() กำหนด method=linear, limit_direction=forward, limit=2 ตัวอย่างโค้ด import pandas as pd df = pd.DataFrame({ Id: [1, 2, 3, None, 5], Ag

สมมติว่าคุณมี DataFrame และต้องการคำนวณ Exponential Weighted Moving Average (EWM) แบบปรับแล้ว (adjusted) และไม่ปรับ (non-adjusted) วิธีแก้ปัญหา สร้าง DataFrame คำนวณ adjusted EWM ด้วย df.ewm(com=0.5).mean() คำนวณ non-adjusted EWM ด้วย df.ewm(com=0.5, adjust=False).mean() ตัวอย่างโค้ด import

สมมติว่าคุณมี DataFrame และต้องการแสดงแต่ละแถวในรูปแบบ OrderedDict ที่มีค่าเป็น tuple วิธีแก้ปัญหา สร้าง DataFrame ใช้ df.itertuples(name=stud) วนลูปเข้าถึงแต่ละแถว แปลงแต่ละแถวเป็น OrderedDict ด้วย row._asdict() ตัวอย่างโค้ด import pandas as pd students = [ (Raj, 13, Chennai, 80),

สมมติว่าคุณมี DataFrame และต้องการแปลงข้อมูลเป็นอาร์เรย์ 1 มิติ (flatten) ทั้งแบบ C-order (row-major) และ F-order (column-major) วิธีแก้ปัญหา สร้าง DataFrame ใช้ df.values.ravel(order=C) สำหรับ C-order ใช้ df.values.ravel(order=F) สำหรับ F-order ตัวอย่างโค้ด import pandas as pd df = pd.Data

สมมติว่าคุณมีช่วงวันที่ และต้องการคำนวณจำนวนวันทำการ (business days) ในช่วงนั้น วิธีที่ 1: ใช้ pd.bdate_range() และ len() สร้างฟังก์ชัน business_days() ใช้ pd.bdate_range() กำหนดวันที่เริ่มต้นและสิ้นสุด ใช้ len() นับจำนวนวันในช่วง ตัวอย่างโค้ด import pandas as pd def business_days(): da

สมมติว่าคุณมี DataFrame และต้องการหาคอลัมน์ที่มีจำนวนค่าขาดหายไป (missing values) น้อยที่สุด วิธีแก้ปัญหา สร้าง DataFrame ที่มีคอลัมน์ Id, Salary และ Age ใช้ df.apply() ร่วมกับ lambda function เพื่อคำนวณผลรวมของค่า null ในแต่ละคอลัมน์ (axis=0) ใช้ df.idxmin() เพื่อหาชื่อคอลัมน์ที่มีค่าขาดหายไ

สมมติว่าคุณมี DataFrame และผลลัพธ์ของค่าที่น้อยที่สุดอันดับสองในแต่ละคอลัมน์มีดังนี้: Id 2 Salary 30000 Age 23 ในการแก้ปัญหานี้ เราจะทำตามขั้นตอนดังนี้: วิธีแก้ปัญหา กำหนด DataFrame ใช้ df.apply() พร้อม lambda function ตั้งตัวแปร x เพื่อเข้าถึงทุกคอลัมน์ และตรวจสอบนิพจน์ x.sort_values

ผลลัพธ์ของการสร้าง DataFrame และคำนวณค่าสูงสุดหารค่าต่ำสุดของแต่ละแถวมีดังนี้: 0 43.000000 1 1.911111 2 2.405405 3 20.000000 4 7.727273 5 6.333333 ในการแก้ปัญหานี้ เราจะทำตามขั้นตอนดังนี้: วิธีที่ 1 กำหนด DataFrame ด้วยขนาด 30 องค์ประกอบสุ่มจาก 1 ถึง 100 และ reshape อาร์เรย์เป็น

สมมติว่าคุณมีอนุกรมเวลา และผลลัพธ์ของวันแรกและวันสุดท้าย 3 วันจาก Series ที่กำหนดมีดังนี้: first three days: 2020-01-01 Chennai 2020-01-03 Delhi Freq: 2D, dtype: object last three days: 2020-01-07 Pune 2020-01-09 Kolkata Freq: 2D, dtype: object ในการแก้ปัญหานี้ เราจะทำตามขั้นตอนดังนี้:

ผลลัพธ์ของการแยกสตริงด้วยตัวคั่น \t และแปลงเป็น Series มีดังนี้: 0 apple 1 orange 2 mango 3 kiwi ในการแก้ปัญหานี้ เราจะใช้วิธีดังนี้: วิธีที่ 1 กำหนดฟังก์ชัน split_str() ที่รับสองอาร์กิวเมนต์คือ string และ delimiter สร้างฟังก์ชัน s.split() ภายในค่า delimiter และเก็บไว้ใน split_data sp

ผลลัพธ์การฝึกอบรมสามารถแสดงภาพได้ด้วย TensorFlow โดยใช้ Python ร่วมกับไลบรารี matplotlib เมธอด plot ถูกใช้เพื่อพล็อตข้อมูลบนคอนโซล อ่านเพิ่มเติม: TensorFlow คืออะไร และ Keras ทำงานกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร? เราจะใช้ Keras Sequential API ซึ่งช่วยในการสร้างโมเดล sequential ที่

Data Augmentation สามารถใช้ลด overfitting ได้โดยการเพิ่มข้อมูลฝึกอบรมเพิ่มเติม ซึ่งทำได้โดยการสร้างโมเดล sequential ที่ใช้เลเยอร์ RandomFlip อ่านเพิ่มเติม: TensorFlow คืออะไร และ Keras ทำงานกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร? เราจะใช้ Keras Sequential API ซึ่งช่วยในการสร้างโมเดล sequ

สมมติว่าคุณมี Series และผลลัพธ์ของการตัดสตริงย่อยจากแต่ละองค์ประกอบใน Series มีดังนี้: 0 Ap 1 Oa 2 Mn 3 Kw ในการแก้ปัญหานี้ เราจะใช้ 2 วิธีดังนี้: วิธีที่ 1 กำหนด Series ใช้ฟังก์ชัน str.slice โดยกำหนด start=0, stop=4, step=2 เพื่อตัดสตริงย่อยจาก Series data.str.slice(start=0, stop=4,

สมมติว่าคุณมี DataFrame และผลลัพธ์ของการคำนวณ rolling window ขนาด 3 มีดังนี้: Average of rolling window is: Id Age Mark 0 NaN NaN NaN 1 1.5 12.0 85.0 2 2.5 13.0 80.0 3 3.5 13.5 82.5 4 4.5 31.5 90.0 5 5.5 60.0 87.5 ในการแก้ปัญหานี้ เราจะใช้วิธีดังนี้: วิธีแก้ปัญหา กำหนด DataFrame ใช้ df.rolli

สมมติว่าคุณมี Series และดัชนีตัวเลขพร้อมค่าที่แตกต่างกันและเรียงลำดับแล้วมีดังนี้: Sorted distinct values - numeric array index [2 3 0 3 2 1 4] [apple kiwi mango orange pomegranate] ในการแก้ปัญหานี้ เราจะทำตามขั้นตอนดังนี้: วิธีแก้ปัญหา ใช้ฟังก์ชัน pd.factorize() กับรายการขององค์ประกอบที่ไม่ซ้ำกัน

สมมติว่าคุณมีคอลัมน์ datetime ใน DataFrame และต้องการแยกวันที่และเวลา ผลลัพธ์จะเป็นดังนี้: datetime date time 0 2020-01-01 07:00:00 2020-01-06 07:00:00 1 2020-01-02 07:00:00 2020-01-06 07:00:00 2 2020-01-03 07:00:00 2020-01-06 07:00:00 3 2020-01-04 07:00:00 2020-01-

สมมติว่าคุณมีข้อมูลอนุกรมเวลา (time series) และต้องการกำหนดเขตเวลาอาเซีย ผลลัพธ์จะเป็นดังนี้: Index is: DatetimeIndex([2020-01-05 00:30:00+05:30, 2020-01-12 00:30:00+05:30, 2020-01-19 00:30:00+05:30, 2020-01-26 00:30:00+05:30, 2020-02-02 00:30:00+05:30], dtype=datetime64[ns, Asia/Calcutta], freq=W-

ผลลัพธ์สำหรับการพิมพ์ชื่อ Palindrome คือ − Palindrome names are: Id Name 0 1 bob 2 3 hannah เพื่อแก้ปัญหานี้ เราจะทำตามวิธีด้านล่าง − Solution 1 กำหนด DataFrame สร้าง List Comprehension ภายใน For Loop เข้าถึงค่าทั้งหมดจากคอลัมน์ df[Name] ด้วยตัวแปร i และตั้ง If Condition เปรียบเทียบ i=