เมธอด describe() ให้สรุปสถิติพื้นฐาน (Descriptive Statistics) ของคอลัมน์ตัวเลขใน DataFrame ทั้งหมดพร้อมกัน รวมถึง count, mean, std, min, quartiles (25%, 50%, 75%), max ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) 2. ใช้ describe

เมธอด dropna() ใช้ลบแถวหรือคอลัมน์ที่มีค่า NaN (Missing Values) ออกจาก DataFrame เป็นขั้นตอนสำคัญใน Data Cleaning ก่อนทำการวิเคราะห์ต่อ ขั้นตอนการทำงาน 1. โหลดข้อมูลที่มี NaN import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv) print(DataFrame with NaN:\n, dataFrame)

เมธอด rename() ใช้เปลี่ยนชื่อคอลัมน์ (หรือ index) ของ DataFrame โดยระบุ mapping ในพารามิเตอร์ columns={} เป็น dictionary {ชื่อเก่า: ชื่อใหม่} ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\SalesRecords.csv) 2. เปลี่ยนชื่อคอลัมน์หลายคอลัมน์พร้อมกั

การสร้างคอลัมน์ใหม่ (New Column) ใน DataFrame โดยคำนวณจากคอลัมน์ที่มีอยู่แล้ว เป็นการดำเนินการพื้นฐานที่ใช้บ่อยที่สุดใน Feature Engineering และ Data Transformation ขั้นตอนการทำงาน 1. โหลดข้อมูล import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\SalesRecords.csv) 2. สร้างคอลัมน์ให

การกรองแถว (Filtering Rows) ใน DataFrame ตามเงื่อนไขเป็นการดำเนินการพื้นฐานที่สำคัญที่สุดในการวิเคราะห์ข้อมูล ใช้ Boolean Indexing** (Boolean Masking) โดยสร้างเงื่อนไขที่คืนค่า True/False สำหรับแต่ละแถว ขั้นตอนการทำงาน 1. โหลดข้อมูลจาก CSV import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit

Seaborn ให้ฟังก์ชัน barplot() สำหรับสร้างกราฟแท่งพร้อมจัดสไตล์ลักษณะแท่ง (styling bars) ผ่านพารามิเตอร์ facecolor (สีพื้น), edgecolor (สีขอบ), และ linewidth (ความหนาขอบ) ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import matplotlib.pyplot as plt 2. โหลดข้อมูล Cricket

ฟังก์ชัน seaborn.lineplot() สามารถรับ DataFrame ทั้งชุดข้อมูล (entire dataset) ได้โดยตรงผ่านพารามิเตอร์ data= โดยไม่ต้องระบุ x และ y แยกต่างหาก Seaborn จะพล็อตคอลัมน์ตัวเลขทั้งหมดเป็นเส้นแต่ละเส้น ใช้ index เป็นแกน X อัตโนมัติ ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as

การสร้าง Grouped Horizontal Bar Chart** (กราฟแท่งแนวนอนกลุ่ม) สำหรับทุกคอลัมน์ตัวเลขใน DataFrame สามารถทำได้ง่ายด้วยเมธอด plot.barh() โดยไม่ต้องระบุ x, y แยกต่างหาก Pandas จะใช้ index เป็นแกน Y และคอลัมน์ตัวเลขทั้งหมดเป็นกลุ่มแท่ง ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd import matplotl

เมธอด fillna(method=bfill) หรือ fillna(method=backfill) ใช้เติมค่า NaN ด้วยการ นำค่าจากแถวถัดไป (ด้านล่าง) มาเติมย้อนกลับ** เรียกว่า Backward Fill หรือ Backfill ขั้นตอนการทำงาน 1. โหลดข้อมูลที่มี NaN import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\SalesData.csv) print(DataFrame

เมธอด interpolate() ใช้เติมค่าที่หายไป (NaN) โดยการ ประมาณค่า (interpolation)** จากค่าที่รู้จักรอบข้าง วิธีเริ่มต้นคือ Linear Interpolation** (เส้นตรง) แต่รองรับวิธีอื่นๆ มากมาย ขั้นตอนการทำงาน 1. โหลดข้อมูลที่มี NaN import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\SalesData.csv

การรวม Box Plot** (แสดงการกระจายตัว: median, quartiles, outliers) และ Swarm Plot** (แสดงจุดข้อมูลจริงทุกจุด ไม่ทับซ้อน) จะได้ภาพรวมที่สมบูรณ์ที่สุด: ดูทั้งสรุปสถิติและการกระจายตัวของข้อมูลดิบ ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import seaborn as sns import pandas as pd import matplotlib.pyplot as plt

เมื่อไฟล์ CSV มีช่องว่าง (whitespace) นำหน้าค่าข้อมูล เช่น BMW แทน BMW จะทำให้อ่านข้อมูลผิดปกติ พารามิเตอร์ skipinitialspace=True ใน pd.read_csv() จะตัดช่องว่างนำหน้าออกอัตโนมัติ ขั้นตอนการทำงาน 1. อ่าน CSV ปกติ (ไม่ตัดช่องว่าง) import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\

เมธอด dropna() ใช้สำหรับลบแถว (rows) หรือคอลัมน์ (columns) ที่มีค่า NaN (Not a Number / Missing Values) ออกจาก DataFrame เป็นวิธีพื้นฐานในการทำความสะอาดข้อมูล (Data Cleaning) พารามิเตอร์สำคัญของ dropna() พารามิเตอร์ค่าเริ่มต้นคำอธิบาย axis0 (index/rows)0 = ลบแถว, 1 = ลบคอลัมน์ howanyany = ลบถ้า

เมธอด notnull() (หรือ .notna()) ใช้ตรวจสอบค่าที่ ไม่ใช่ Null/NaN** ใน DataFrame คืนค่าเป็น Boolean (True/False) ขนาดเท่าเดิม True = ไม่ใช่ Null, False = เป็น Null ขั้นตอนการทำงาน 1. โหลดข้อมูลจาก CSV ที่มีค่า NaN import pandas as pd dataFrame = pd.read_csv(rC:\Users\amit_\Desktop\CarRecords.csv)

MultiIndex (Hierarchical Index)** คือดัชนีที่มีหลายระดับ (levels) ช่วยจัดการข้อมูลมิติสูงได้ดีขึ้น ใน Pandas สร้างได้จาก DataFrame ด้วย pd.MultiIndex.from_frame() ขั้นตอนการทำงาน 1. สร้าง Dictionary ของข้อมูล d = { Car: [BMW, Lexus, Audi, Mercedes, Jaguar, Bentley], Date_of_purchase: [2020-

เมื่อต้องการรวมสอง DataFrame โดยใช้คอลัมน์ร่วม (common column) และต้องการเก็บข้อมูลฝั่งหนึ่งไว้ทั้งหมด ส่วนฝั่งอีกฝั่งที่ไม่มีค่าจับคู่ให้แสดงเป็น NaN ใช้พารามิเตอร์ how=left (Left Join) หรือ how=right (Right Join) ใน pd.merge() ขั้นตอนการทำงาน 1. สร้าง DataFrame ทั้งสอง import pandas as pd dataFr

Cartesian Product (Cross Join)** คือการรวมแถวทุกคู่ที่เป็นไปได้ระหว่างสอง DataFrame โดยไม่มีเงื่อนไขการจับคู่ (join condition) ใน Pandas ทำได้โดยตั้งค่า how=cross ใน pd.merge() (รองรับ Pandas 1.2.0+) ขั้นตอนการทำงาน 1. สร้าง DataFrame ทั้งสอง import pandas as pd dataFrame1 = pd.DataFrame({ Car

การรวมข้อมูลสอง DataFrame ด้วยความสัมพันธ์ One-to-Many** (หนึ่งต่อหลาย) สามารถทำได้โดยใช้ฟังก์ชัน pd.merge() พร้อมพารามิเตอร์ validate=one_to_many (หรือ 1:m) ซึ่งจะตรวจสอบว่า key ในฝั่งซ้าย (left) ไม่มีค่าซ้ำ ขั้นตอนการทำงาน 1. สร้าง DataFrame ทั้งสอง import pandas as pd # DataFrame 1: ข้อมูลรถและ

เมธอด value_counts() คืนค่าเป็น Series ที่มี index = ค่าที่ไม่ซ้ำกัน และ values = จำนวนครั้งที่ปรากฏ (frequency) บทความนี้สาธิตวิง่ายๆ ในการแยก ชื่อค่า และ จำนวนนับ ออกจากกัน ขั้นตอนการทำงาน 1. สร้าง DataFrame ตัวอย่าง import pandas as pd dataFrame = pd.DataFrame({ Car: [BMW, Mustang, Tesla, M

เมธอด groupby().first() ใช้สำหรับดึงแถวแรกของแต่ละกลุ่มหลังจากจัดกลุ่มข้อมูลแล้ว ซึ่งเหมาะสำหรับการหาค่า first occurrence หรือรายการแรกของแต่ละประเภท ขั้นตอนการทำงาน 1. นำเข้าไลบรารี import pandas as pd 2. สร้าง DataFrame มีข้อมูลซ้ำในคอลัมน์ Car dataFrame = pd.DataFrame({ Car: [BMW, Lexus, BM