ไลบรารี pdpipe ให้เครื่องมือสร้าง Pipeline สำหรับการแปลงข้อมูล (Data Transformation) แบบขั้นตอน (step-by-step) ซึ่งทำให้โค้ดอ่านง่าย จัดการได้ง่าย และนำไปใช้ซ้ำได้ ในที่นี้จะสาธิตการลบคอลัมน์ออกจาก DataFrame ด้วย ColDrop ขั้นตอนการทำงาน 1. ติดตั้งและนำเข้าไลบรารี pip install pdpipe import pdpipe as

เมธอด unique() ของ Pandas Series ใช้สำหรับดึงค่าที่ไม่ซ้ำกัน (distinct values) จากคอลัมน์ใดคอลัมน์หนึ่งใน DataFrame ซึ่งเป็นการดำเนินการพื้นฐานที่ใช้บ่อยในการสำรวจข้อมูล (Data Exploration) ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd 2. สร้าง DataFrame ตัวอย่าง dataFrame = pd.DataFrame({

การเพิ่มข้อมูลใหม่เข้าไปใน DataFrame ที่สร้างไว้แล้ว สามารถทำได้โดยใช้เมธอด append() (หมายเหตุ: ใน Pandas เวอร์ชันใหม่แนะนำให้ใช้ pd.concat() แทน เนื่องจาก append() ถูก deprecated แล้ว) ขั้นตอนการทำงาน 1. สร้าง DataFrame เริ่มต้น import pandas as pd dataFrame = pd.DataFrame({ Car: [BMW, Audi,

เมื่อต้องการเปรียบเทียบค่าสถิติ (เช่น ค่าเฉลี่ย) แบบจัดกลุ่มตาม ตัวแปรหมวดหมู่สองตัว (two categorical variables) สามารถใช้พารามิเตอร์ hue ใน seaborn.barplot() ซึ่งจะสร้างแท่งสีต่างกันภายในกลุ่มเดียวกัน ข้อมูลตัวอย่าง ชุดข้อมูล Cricketers2.csv มีคอลัมน์ Role (ตำแหน่ง), Academy (สถาบัน), และ Matches

Seaborn ให้ฟังก์ชัน barplot() สำหรับสร้างกราฟแท่งแนวนอน (horizontal bar plots) ที่แสดงประมาณค่าจุดและช่วงเชื่อมั่น โดยอัตโนมัติจะจัดเรียงหมวดหมู่บนแกน Y และค่าตัวเลขบนแกน X ข้อมูลตัวอย่าง ชุดข้อมูล Cricketers2.csv ประกอบด้วยข้อมูลนักคริกเก็ต เช่น สถาบัน (Academy), ตำแหน่ง (Role), จำนวนแมตช์ (Matche

กราฟแท่ง (Bar Plot) ใน Seaborn ใช้แสดงประมาณค่าจุด (point estimates) และช่วงเชื่อมั่น (confidence intervals) ด้วยแท่งสี่เหลี่ยม ฟังก์ชัน seaborn.barplot() ใช้สำหรับวัตถุประสงค์นี้ โดยสามารถกำหนดให้ใช้ ค่ามัธยฐาน (median) เป็นตัวประมาณค่ากลางแทนค่าเฉลี่ย (mean) ซึ่งเป็นค่าเริ่มต้น ผ่านพารามิเตอร์ est

เมื่อต้องการแสดงกราฟแท่งที่เปรียบเทียบหลายคอลัมน์ข้อมูลพร้อมกัน สามารถใช้เมธอด plot() ของ Pandas โดยกำหนดพารามิเตอร์ kind=bar และระบุรายการคอลัมน์ที่ต้องการในพารามิเตอร์ y ข้อมูลตัวอย่าง ข้อมูลสถิติทีมกีฬา ประกอบด้วยชื่อทีม คะแนนอันดับ และปี: data = [ [Australia, 2500, 2021], [Bangladesh, 1

บทความนี้จะสาธิตวิธีการสร้างกราฟแท่ง (Bar Graph) จากข้อมูลใน Pandas DataFrame โดยใช้ไลบรารี matplotlib ร่วมกับ pandas เอง ซึ่งเป็นวิธีการแสดงผลข้อมูลเชิงสถิติที่เข้าใจง่ายและนิยมใช้งานกันอย่างแพร่หลาย ข้อมูลตัวอย่าง สมมติว่าเรามีไฟล์ CSV ที่ชื่อ SalesData.csv อยู่บน Desktop โดยมีข้อมูลดังนี้: Car,R

บทนำ ใช้ DataFrame.plot() ตั้ง kind=line วาด Line Graph จาก DataFrame ขั้นตอน นำเข้า pandas, matplotlib สร้าง DataFrame (Team, Rank_Points, Year) พลอต: dataFrame.plot(x=Team, y=[Rank_Points, Year], kind=line, figsize=(10, 9)) โค้ดเต็ม import pandas as pd import matplotlib.pyplot as mp data = [

บทนำ ใช้วงเล็บเหลี่ยมเลือกคอลัมน์เดี่ยวหรือหลายคอลัมน์จาก DataFrame ตัวอย่าง เลือกคอลัมน์เดี่ยว Car: dataFrame[Car] เลือก 2 คอลัมน์ Car และ Units: dataFrame[[Car, Units]] โค้ดเต็ม import pandas as pd dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv) print(\nReading the CSV fil

บทนำ ใช้เงื่อนไขบูลีน (Boolean Indexing) เลือก subset ของแถว ตัวอย่าง เลือกแถวที่ 100: 100] เลือกแถวที่ Reg_Price < 3000: dataFrame[dataFrame[Reg_Price] < 3000] โค้ดเต็ม 100]) print(\nSelect cars with Reg_Price less than 3000: \n, dataFrame[dataFrame[Reg_Price] < 3000]) ผลลัพธ์ 100: Audi

บทนำ ใช้วงเล็บเหลี่ยมคู่ dataFrame[[col1, col2]] เลือกหลายคอลัมน์พร้อมกัน ขั้นตอน นำเข้า pandas อ่าน SalesData.csv เลือกคอลัมน์ Reg_Price และ Units: dataFrame[[Reg_Price, Units]] โค้ดเต็ม import pandas as pd dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv) print(\nReading the

บทนำ ใช้ pd.merge() รวม DataFrame แบบ Many-to-One ตั้ง validate=many_to_one ตรวจสอบคีย์ไม่ซ้ำในฝั่งขวา (right) ขั้นตอน สร้าง DataFrame1 (Car, Units) - ด้านซ้าย (Many) สร้าง DataFrame2 (Car, Reg_Price) - ด้านขวา (One) คีย์ไม่ซ้ำ รวมด้วย pd.merge(dataFrame1, dataFrame2, validate=many_to_one) โค้ดเ

เมื่อต้องการกรองแถวใน DataFrame ที่คอลัมน์ข้อความมีคำหรือข้อความเฉพาะ ใช้เมธอด str.contains() ร่วมกับ boolean indexing ตัวอย่างโค้ด import pandas as pd # สมมติอ่านไฟล์ CSV (ที่นี่สร้าง DataFrame ตัวอย่างแทน) data = { Car: [Audi, Porsche, RollsRoyce, BMW, Mercedes, Lamborghini, Audi, Mercedes, L

บทนำ ใช้ dataFrame.columns.values[] เปลี่ยนชื่อคอลัมน์ตามดัชนี ขั้นตอน นำเข้า pandas อ่าน SalesData.csv แสดงชื่อคอลัมน์เดิม: dataFrame.columns เปลี่ยนชื่อ: dataFrame.columns.values[0] = Car Names dataFrame.columns.values[1] = Registration Cost dataFrame.columns.values[2] = Units Sold โค้ดเต็ม i

บทนำ ใช้ DataFrame.plot.scatter() วาด Scatter Plot จาก DataFrame ขั้นตอน นำเข้า pandas, matplotlib สร้าง DataFrame ข้อมูลทีม (Team, Rank_Points) วาด Scatter Plot: dataFrame.plot.scatter(x=Team, y=Rank_Points) โค้ดเต็ม import pandas as pd import matplotlib.pyplot as mp data = [[Australia, 2500]

บทนำ ใช้พารามิเตอร์ header=None ใน read_csv() อ่าน CSV ไม่มีหัวข้อ ขั้นตอน นำเข้า pandas อ่าน CSV ปกติ (มี Header) อ่าน CSV ด้วย header=None: pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv, header=None) โค้ดเต็ม import pandas as pd dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\Sales

บทนำ วาด Swarm Plot ทับบน Violin Plot แสดงทั้งการกระจายและจุดข้อมูลจริง ใช้ violinplot() และ swarmplot() ติดกัน ขั้นตอน นำเข้าไลบรารี โหลด Cricketers2.csv วาด Violin Plot แล้วทับ Swarm Plot สีขาว: sb.violinplot(x=dataFrame[Role], y=dataFrame[Matches]) sb.swarmplot(x=dataFrame[Role], y=dataFrame[Ma

บทนำ Vertical Bar Plot จัดกลุ่มตามตัวแปร Categorical ใช้ seaborn.barplot() ส่งตัวแปรเป็น x และ y ขั้นตอน นำเข้าไลบรารี โหลด Cricketers2.csv วาด Vertical Bar Plot: sb.barplot(x=dataFrame[Role], y=dataFrame[Matches]) โค้ดเต็ม import seaborn as sb import pandas as pd import matplotlib.pyplot as pl

บทนำ ใช้ fillna(0) แทนที่ค่า NaN ทั้งหมดใน DataFrame ด้วย 0 ขั้นตอน นำเข้า pandas อ่าน SalesData.csv ที่มี NaN แทนที่ NaN: res = dataFrame.fillna(0) โค้ดเต็ม import pandas as pd dataFrame = pd.read_csv(C:\\Users\\amit_\\Desktop\\SalesData.csv) print(DataFrame...\n, dataFrame) res = dataFrame.