DataFrame สามารถสร้างจาก List of Dictionaries ได้ โดยแต่ละ Dictionary = 1 Row, Keys = Column Names ตัวอย่างโค้ด import pandas as pd my_data = [ {ab: 34}, {mn: 56}, {gh: 78}, {wq: 90}, {az: 123}, {kl: 45} ] my_df = pd.DataFrame(my_data) print(The dataframe created from lis

วิธีหนึ่งในการเพิ่ม Column ใหม่คือ สร้าง Series ใหม่ (พร้อม Index ที่ตรงกับ DataFrame) แล้ว Assign ให้ DataFrame ตัวอย่างโค้ด import pandas as pd my_data = { ab: pd.Series([1, 8, 7], index=[a, b, c]), cd: pd.Series([1, 2, 0, 9], index=[a, b, c, d]) } my_df = pd.DataFrame(my_data) print(T

DataFrame สามารถสร้างจาก Dictionary ที่ Value เป็น Series ได้ Key จะกลายเป็น Column Name และ Series Index จะกลายเป็น Row Index ตัวอย่างโค้ด import pandas as pd my_data = { ab: pd.Series([1, 2, 3], index=[a, b, c]), mn: pd.Series([56, 78, 13, 13], index=[a, b, c, d]) } my_df = pd.DataFram

Histogram แสดงการกระจายตัวของข้อมูลตัวเลข (Numerical Distribution) โดยแบ่งเป็น Bins และนับความถี่ Seaborn ใช้ distplot() (Deprecated) หรือ histplot() / displot(kind=hist) (แนะนำ) สำหรับ Histogram ตัวอย่างโค้ด (distplot - เก่า) import pandas as pd import seaborn as sb from matplotlib import pyplot

Keyword del ของ Python ใช้ลบ Column จาก DataFrame ได้โดยตรง (In-place) ไม่คืนค่าอะไร คล้ายการลบ Key จาก Dictionary ตัวอย่างโค้ด import pandas as pd my_data = { ab: pd.Series([1, 8, 7], index=[a, b, c]), cd: pd.Series([1, 2, 0, 9], index=[a, b, c, d]), ef: pd.Series([56, 78, 32], index

Method .pop() ลบ Column จาก DataFrame **และคืนค่า Column ที่ลบออกเป็น Series** เหมือน Dictionary.pop() ตัวอย่างโค้ด import pandas as pd my_data = { ab: pd.Series([1, 8, 7], index=[a, b, c]), cd: pd.Series([1, 2, 0, 9], index=[a, b, c, d]), ef: pd.Series([56, 78, 32], index=[a, b, c]),

ใช้ Method .sum() บน Series (Column เดียว) หรือ DataFrame (ทุก Numeric Columns) เพื่อหาผลรวม ตัวอย่างโค้ด import pandas as pd my_data = { Name: pd.Series([Tom, Jane, Vin, Eve, Will]), Age: pd.Series([45, 67, 89, 12, 23]), value: pd.Series([8.79, 23.24, 31.98, 78.56, 90.20]) } my_df =

สามารถสร้าง Column ใหม่ใน DataFrame ได้โดยการคำนวณจาก Column เดิม (Arithmetic, Logic, Functions) ผลลัพธ์จะ Align ตาม Index อัตโนมัติ ตัวอย่างโค้ด import pandas as pd import numpy as np my_data = { ab: pd.Series([1, 8, 7], index=[a, b, c]), cd: pd.Series([1, 2, 0, 9], index=[a, b, c, d]),

Method .mean() บน DataFrame จะคำนวณค่าเฉลี่ยของ **ทุก Column ที่เป็น Numeric** อัตโนมัติ (ข้าม String/Object Columns) ตัวอย่างโค้ด import pandas as pd my_data = { Name: pd.Series([Tom, Jane, Vin, Eve, Will]), Age: pd.Series([45, 67, 89, 12, 23]), value: pd.Series([8.79, 23.24, 31.98,

Resolution ของภาพ = ขนาดความกว้าง × ความสูง (Width × Height) และจำนวน Channels สามารถดูได้จาก Attribute .shape ของ NumPy Array ที่ได้จาก io.imread() ตัวอย่างโค้ด from skimage import io import matplotlib.pyplot as plt path = puppy.png # ปรับ Path ตามจริง img = io.imread(path) print(Image being r

การเข้าถึงค่า Pixel ของภาพเป็นขั้นตอนพื้นฐานใน Image Processing ภาพ RGB มี 3 Channels (R,G,B) หรือ 4 Channels (RGBA) เก็บใน 3D Array (Height, Width, Channels) ใช้ flatten() แปลง 3D Array → 1D Array แล้วใส่ DataFrame เพื่อวิเคราะห์/แสดงผล ตัวอย่างโค้ด = 3: # Reshape เป็น (H*W, C) pixels_2d

Contour Detection คือการหาขอบเขตของวัตถุในภาพ ใช้ใน Computer Vision, Image Segmentation, Shape Analysis โมดูล skimage.measure มีฟังก์ชัน find_contours() ใช้ Algorithms **Marching Squares** หา Contours ที่ระดับความเข้ม (Level) ที่กำหนด หมายเหตุ: scikit-image (skimage) แยกจาก scikit-learn (sklearn)

NumPy (Numerical Python) เป็นไลบรารีพื้นฐานสำหรับ Scientific Computing มี ndarray (N-dimensional Array) ที่เร็วและประหยัดหน่วยความจำ ฟังก์ชัน numpy.sort() คืนค่า **Sorted Copy** ของ Array (ไม่แก้ไข Array ต้นฉบับ) ส่วน ndarray.sort() ทำ In-place Sort ไวยากรณ์ numpy.sort(a, axis=-1, kind=None, orde

Decision Tree Classifier เป็นอัลกอริทึม Classification ที่เข้าใจง่าย ใช้โครงสร้าง Tree แบ่งข้อมูลตาม Feature Values จนแต่ละ Leaf มี Class เดียว จุดแข็ง: Interpret ได้ (White Box), รองรับ Numerical/Categorical, ไม่ต้อง Scale Features, จัดการ Non-linear ได้ดี จุดอ่อน: Overfitting ง่าย, Unstable (ข้อม

Mean (ค่าเฉลี่ยเลขคณิต) = ผลรวมค่าทั้งหมด / จำนวนค่า ใช้สรุป Central Tendency ของข้อมูล ใน Pandas ใช้ Method .mean() บน Series หรือ DataFrame ตัวอย่างโค้ด import pandas as pd my_data = { Name: pd.Series([Tom, Jane, Vin, Eve, Will]), Age: pd.Series([45, 67, 89, 12, 23]), value: pd.Ser

Standard Deviation (SD) วัดการกระจายของข้อมูลจากค่าเฉลี่ย ค่า SD สูง = ข้อมูลกระจายกว้าง, ค่า SD ต่ำ = ข้อมูล 모여กลุ่ม ใน Pandas ใช้ Method .std() บน Series (Column เดียว) หรือ DataFrame (ทุก Column Numeric) ตัวอย่างโค้ด import pandas as pd my_data = { Name: pd.Series([Tom, Jane, Vin, Eve, Wi

ฟังก์ชัน describe() ให้สถิติพื้นฐานของ DataFrame ทั้ง Numeric และ Object Columns ได้ในครั้งเดียว ช่วย EDA (Exploratory Data Analysis) ให้รวดเร็ว ตัวอย่างโค้ด import pandas as pd my_data = { Name: pd.Series([Tom, Jane, Vin, Eve, Will]), Age: pd.Series([45, 67, 89, 12, 23]), value: pd.S

ฟังก์ชัน apply() ใน DataFrame ใช้เรียกฟังก์ชันตาม Axis ที่กำหนด: axis=0 (Default): Column-wise - ส่งแต่ละ Column (Series) ให้ฟังก์ชัน axis=1: Row-wise - ส่งแต่ละ Row (Series) ให้ฟังก์ชัน ตัวอย่างโค้ด import pandas as pd import numpy as np my_data = { Age: pd.Series([45, 67, 89, 12, 23]),

เมื่อต้องใช้ฟังก์ชันกับทุกเซลล์ใน DataFrame แบบไม่สามารถ vectorize ได้ ให้ใช้ applymap ซึ่งรับค่าเดี่ยว คืนค่าเดี่ยว ตัวอย่าง import pandas as pd import numpy as np my_df = pd.DataFrame(np.random.randn(5,5), columns=[col_1,col_2,col_3,col_4,col_5]) print(DataFrame ต้นฉบับ:) print(my_df) # คูณทุกค่

Data Preprocessing เป็นขั้นตอนสำคัญใน ML Pipeline: ทำความสะอาดข้อมูล ลบ Noise จัดการ Missing Values แปลงข้อมูลให้เหมาะสมกับอัลกอริทึม scikit-learn มีโมดูล sklearn.preprocessing สำหรับ Preprocessing หลากหลาย เช่น Scaling, Encoding, Imputation, Discretization, Binarization ตัวอย่าง: Binarizer - แปลง