Pandas — типовые операции

НЕ ОБЯЗАТЕЛЬНОДЛЯ НОВИЧКОВ

Основы табличных данных на Python

Pandas — главная библиотека Python для работы с таблицами: как Excel или Google Таблицы, но в коде. Её используют в школе (средний балл класса, частоты ответов опроса), в вузе (лабораторные по статистике, курсовые по данным) и на работе (отчёты, аналитика, подготовка данных для машинного обучения).

С чего начать

Массивы и матрицы — примеры NumPy (идут перед Pandas). Теория и обзор экосистемы — Анализ данных и научные вычисления. Шпаргалка команд — типовые операции Pandas. Тот же смысл в таблице без кода — Pandas, Polars, SQL и Excel. Если Pandas ещё рано — Python — файлы и текст (CSV через csv) или формулы Excel и Google Sheets (СУММ, groupby ≈ сводная, merge ≈ ВПР). Графики — Matplotlib, примеры. Символьная математика — SymPy — уравнения и производные. Здесь — готовые скрипты с разбором каждой строки.

Частые запросы в Google — куда смотреть

Ищут в интернете	Раздел ниже
pandas read csv пример	Загрузка CSV
pandas filter rows by condition	Фильтрация строк
pandas groupby sum mean	groupby
pandas dropna fillna	Очистка
pandas merge two dataframes	merge
pandas pivot table example	pivot_table
pandas среднее по столбцу	Обязательные элементы
pandas value_counts	Частоты
pandas to_csv	Экспорт

Как запустить пример

Установите библиотеки (один раз в терминале или командной строке):

pip install pandas

Разбор:

pip — установщик пакетов Python; идёт вместе с Python на Windows и macOS.
pandas — сама библиотека; после установки доступен import pandas as pd в любом скрипте.
Для чтения Excel дополнительно: pip install openpyxl.

Скопируйте код в файл, например analiz.py.
Запустите: python analiz.py — результат появится в терминале (чёрное окно).
В Google Colab (colab.research.google.com) или Jupyter Notebook выполняйте код по ячейкам; таблица отображается прямо под ячейкой — print() для таблицы не обязателен.

Кому подойдёт эта страница

Школьникам — средний балл по классу, топ учеников, сколько пятёрок и четвёрок.
Студентам — groupby, merge, pivot для лабораторных по статистике и информатике.
Начинающим аналитикам — шаблон «загрузил CSV → почистил → посчитал → сохранил отчёт» без лишней теории.

Базовые термины

Термин	Простыми словами	Аналог в Excel
`DataFrame`	Таблица: строки и именованные столбцы	Лист целиком
`Series`	Один столбец (или одна строка) с метками	Один столбец A, B, C…
`index`	Метки строк слева (0, 1, 2 … или свои имена)	Номера строк
`NaN`	Пропущенное значение («пустая ячейка»)	Пустая ячейка
`loc`	Выбор по имени строки и столбца	Фильтр по подписи
`iloc`	Выбор по номеру (как в списке Python)	«Строка 3, столбец 2»
`groupby`	Группировка и сумма/среднее по категориям	Сводная таблица → группировка
`merge`	Склейка двух таблиц по ключу	ВПР (VLOOKUP) или JOIN

Какую операцию выбрать

Задача	Что использовать	Пример одной строки
Первый взгляд на таблицу	`head`, `info`, `describe`	`df.head()`
Отобрать строки по условию	булев фильтр в `[]`	`df[df["score"] >= 4]`
Среднее по группам	`groupby` + `agg`	`df.groupby("city")["amount"].sum()`
Убрать пустые ячейки	`dropna`, `fillna`	`df.dropna()`
Склеить заказы и клиентов	`merge`	`orders.merge(users, on="user_id")`
Свод как в Excel	`pivot_table`	`df.pivot_table(...)`
Сохранить результат	`to_csv`	`df.to_csv("report.csv", index=False)`

Обязательные элементы

Любой скрипт с Pandas строится по схеме: импорт → таблица → осмотр → операция → результат. Это минимальный каркас — как import turtle и turtle.done() в графике черепахой.

import pandas as pd

# 1. Таблица (из словаря, CSV или Excel)
df = pd.DataFrame({
    "name": ["Аня", "Боря", "Вера"],
    "score": [5, 4, 5],
})

# 2. Осмотр — что вообще загрузилось
print(df.head())
print(df.describe())

# 3. Операция (пример — средний балл класса)
print("Средний балл:", df["score"].mean())

Разбор:

import pandas as pd — подключаем библиотеку; pd — общепринятое сокращение (как plt у Matplotlib). Все вызовы дальше: pd.read_csv, pd.DataFrame.
pd.DataFrame({...}) — создаём таблицу из словаря Python: ключи ("name", "score") становятся именами столбцов, списки — значениями по строкам. Первая строка таблицы: Аня, 5; вторая: Боря, 4.
df — переменная, в которой лежит таблица; имя df (data frame) используют почти везде в учебниках.
df.head() — показать первые 5 строк; после загрузки большого CSV это первое, что делают, чтобы убедиться, что файл прочитался правильно.
df.describe() — автоматическая сводка по числовым столбцам: сколько значений, среднее, минимум, максимум, квартили. Для столбца score увидите mean ≈ 4.67.
df["score"] — взять один столбец; квадратные скобки с именем — как в Excel «столбец C».
.mean() — среднее арифметическое по всему столбцу; без цикла for по строкам. Аналоги: .sum(), .max(), .min(), .median().
print(...) — вывести текст в консоль; в Jupyter можно просто написать df.head() в последней строке ячейки.

Школьный вариант: замените имена и оценки на свой класс — (5+4+5)/3 посчитает Python сам. Добавьте ученика: допишите "Коля" в name и 3 в score.

Типичные ошибки новичков

df[df["a"] > 0 and df["b"] == "x"] — ошибка. В Pandas для «и» нужен &: df[(df["a"] > 0) & (df["b"] == "x")]. Слово and работает с одним True/False, а не с целым столбцом.
После фильтра subset = df[mask] и правка subset["col"] = 1 — жёлтое SettingWithCopyWarning. Пишите subset = df[mask].copy().
Даты в CSV как текст "2024-01-05" — resample не работает, пока не вызовете pd.to_datetime(df["date"]).
ID 00123 превращается в 123 — в read_csv укажите dtype={"id": str}.

Стартовые операции

Пять блоков, которые чаще всего нужны в первой лабораторной по данным: осмотр → фильтр → группировка → очистка → сохранение. Каждый блок — отдельный маленький скрипт, который можно скопировать целиком.

Создание таблицы и первый осмотр

Зачем: прежде чем считать среднее или строить график, нужно понять, что в файле — сколько строк, есть ли пустые ячейки, не перепутались ли типы (число vs текст). Это называют EDA (exploratory data analysis) — разведка данных.

import pandas as pd

df = pd.DataFrame({
    "city": ["Москва", "Казань", "Москва", "Сочи"],
    "product": ["A", "B", "A", "C"],
    "amount": [1200, 800, None, 1500],
    "qty": [2, 1, 3, 2],
})

print("Первые строки:\n", df.head(3))
print("\nСтруктура:\n")
df.info()
print("\nСтатистика:\n", df.describe())
print("\nПропуски по столбцам:\n", df.isnull().sum())

Разбор:

pd.DataFrame({...}) — учебная таблица «продажи по городам»; в реальной работе вместо неё будет df = pd.read_csv("sales.csv").
"city": ["Москва", ...] — столбец городов; четыре строки в каждом списке → четыре строки в таблице.
None в amount — пропуск; Pandas сохранит его как NaN (Not a Number). Так выглядят пустые ячейки в CSV.
df.head(3) — только 3 верхние строки; аргумент 3 ограничивает вывод. Без аргумента — 5 строк.
df.info() — технический паспорт таблицы: число строк (4), число столбцов (4), тип каждого столбца (object = текст, float64 = число с дробной частью), сколько непустых значений в amount (3 из 4 — одна дыра).
describe() — статистика только для чисел (amount, qty): среднее, std, min, max. Текстовые city и product сюда не попадают.
isnull() — для каждой ячейки True, если пусто; .sum() складывает True как 1 по столбцам → видно, что в amount один пропуск.

Что увидите в консоли: таблицу из 3 строк, строку amount 1 в блоке пропусков — сигнал почистить данные перед суммированием.

Фильтрация строк

Зачем: оставить только нужные записи — «все с оценкой 4 и выше», «только 10А», «только Москва». В Excel это автофильтр; в Pandas — условие в квадратных скобках.

import pandas as pd

df = pd.DataFrame({
    "name": ["Аня", "Боря", "Вера", "Глеб"],
    "class": ["10А", "10Б", "10А", "10Б"],
    "score": [5, 3, 4, 5],
})

top = df[df["score"] >= 4]
class_10a = df[df["class"] == "10А"]
both = df[(df["class"] == "10А") & (df["score"] == 5)]
by_list = df[df["name"].isin(["Аня", "Глеб"])]

print("Оценка 4 и выше:\n", top)
print("\n10А с пятёркой:\n", both)

Разбор:

df["score"] >= 4 — не одно True/False, а столбец: [True, False, True, True] для оценок 5, 3, 4, 5. Pandas сравнивает весь столбец сразу — это быстрее цикла for.
df[...] с таким столбцом внутри — маска: остаются только строки, где True. В top попадут Аня, Вера, Глеб.
== — сравнение «равно»; один знак = — это присваивание (x = 5), частая опечатка новичков.
(df["class"] == "10А") & (df["score"] == 5) — два условия сразу; оператор & — «и» для таблиц. Скобки обязательны: без них Python сначала выполнит & не там.
Почему не and? Python and берёт одно значение слева и справа; Series — целый столбец, отсюда ошибка ValueError.
isin(["Аня", "Глеб"]) — «имя в списке»; то же, что SQL WHERE name IN ('Аня', 'Глеб').
class_10a и both — новые таблицы; исходный df не меняется, пока вы не пишете df = df[...].

Школьный вариант: top — список отличников; both — только пятёрки в 10А (одна строка: Аня).

Альтернатива: df.query("score >= 4 and class == '10А'") — тот же смысл, синтаксис ближе к SQL; удобно, когда условий много.

groupby — статистика по группам

Зачем: ответ на вопрос «сколько всего / в среднем по каждому городу, классу, месяцу?». Одна строка кода вместо ручного разбиения таблицы на куски.

import pandas as pd

sales = pd.DataFrame({
    "city": ["Москва", "Казань", "Москва", "Казань", "Сочи"],
    "amount": [100, 50, 120, 80, 200],
})

by_city = sales.groupby("city")["amount"].agg(["sum", "mean", "count"])
by_city_sorted = by_city.sort_values("sum", ascending=False)

print(by_city)
print("\nТоп по выручке:\n", by_city_sorted.head(2))

Разбор:

sales — пять отдельных продаж; Москва встречается дважды (100 и 120), Казань — дважды (50 и 80).
groupby("city") — сложить в кучки все строки с одинаковым городом. Внутри получаются три группы: Москва (2 строки), Казань (2), Сочи (1).
["amount"] — считаем статистику только по столбцу суммы; без этого agg попытается обработать и city (текст).
.agg(["sum", "mean", "count"]) — три функции за один проход: sum — сумма (Москва: 220), mean — средний чек (Москва: 110), count — сколько строк (2).
Результат by_city — новая таблица: индекс = название города, столбцы = sum, mean, count.
sort_values("sum", ascending=False) — сортировка по сумме от большей к меньшей; ascending=True — наоборот.
.head(2) — две верхние строки после сортировки → топ-2 города по выручке.

Школьный вариант: замените на "class" и "score" — получите сумму и средний балл по каждому классу.

Одна функция: достаточно sales.groupby("city")["amount"].sum() — без agg, если нужна только сумма.

Очистка — пропуски и дубликаты

Зачем: реальные данные с опросов и Excel «грязные» — лишние пробелы, пустые ячейки, одна анкета дважды. Перед отчётом их нормализуют, иначе среднее и графики будут неверными.

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "id": [1, 2, 2, 3],
    "name": [" Аня ", "Боря", None, "Вера"],
    "score": [5, 4, 4, np.nan],
})

df["name"] = df["name"].str.strip()
df["score"] = df["score"].fillna(df["score"].median())
df = df.drop_duplicates(subset=["id"], keep="first")
df = df.dropna(subset=["name"])

print(df)

Разбор:

import numpy as np — np.nan — ещё один способ обозначить пустое число; в CSV Pandas сам подставляет NaN.
" Аня " — пробелы по краям; в Excel так часто копируют из Word. .str.strip() убирает их у всех строк столбца сразу.
.str — строковые методы для целого столбца; без .str у обычного текста Python нет .strip() на Series.
fillna(df["score"].median()) — пустую оценку заменяем медианой (4.0 здесь). Медиана устойчивее среднего, если есть одна «двойка» среди пятёрок.
drop_duplicates(subset=["id"], keep="first") — два id=2 → остаётся первая строка (Боря); вторая удаляется как дубль анкеты.
dropna(subset=["name"]) — выкинуть строки, где имя пустое (третья строка с None в name уйдёт, если дубль id уже убран).
Каждая строка перезаписывает df — типичный стиль «почистили по шагам». Можно собрать в одну цепочку (см. раздел 3).

Итог: три строки с id 1, 2, 3 — без дублей, без пустых имён, оценка 5, 4, 4.

Подробный порядок шагов — очистка и подготовка в Pandas.

value_counts и describe

Зачем: «сколько человек ответили "да"», «какая оценка встречается чаще всего» — частотный анализ для опросов и контрольных.

import pandas as pd

df = pd.DataFrame({
    "grade": [5, 4, 5, 3, 5, 4, 5, 5, 4, 3],
    "subject": ["math"] * 5 + ["phys"] * 5,
})

print("Частоты оценок:\n", df["grade"].value_counts())
print("\nДоли (в %):\n", (df["grade"].value_counts(normalize=True) * 100).round(1))
print("\nПо предметам:\n", df.groupby("subject")["grade"].mean())

Разбор:

"grade" — десять оценок; пятёрок больше всего — это увидит value_counts.
["math"] * 5 — трюк Python: список из пяти слов "math"; вторые пять строк — "phys". Так задают предмет для каждой оценки.
value_counts() — подсчёт одинаковых значений; результат отсортирован по убыванию: 5 → 5 раз, 4 → 3 раза, 3 → 2 раза.
normalize=True — доли от единицы (0.5 = 50%); * 100 переводит в проценты; .round(1) — один знак после запятой для красивого вывода.
groupby("subject")["grade"].mean() — средний балл отдельно по математике и физике; две строки в ответе.

Школьный вариант: подставьте оценки своего класса — получите «мода» (самая частая оценка) из первой строки value_counts().

Новый столбец и сортировка

Зачем: посчитать выручку (цена × количество), BMI, процент — новый столбец из существующих без формулы в каждой строке Excel.

import pandas as pd

df = pd.DataFrame({
    "product": ["Ноутбук", "Мышь", "Клавиатура", "Монитор"],
    "price": [80000, 1500, 3500, 25000],
    "sold": [12, 150, 80, 25],
})

df = df.assign(revenue=lambda x: x["price"] * x["sold"])
top3 = df.nlargest(3, "revenue")

print(df[["product", "revenue"]])
print("\nТоп-3 по выручке:\n", top3)

Разбор:

Три столбца — исходные данные магазина; выручки в таблице пока нет, её вычисляем.
assign(revenue=lambda x: x["price"] * x["sold"]) — добавляет столбец revenue. lambda x: — маленькая функция; x — та же таблица; умножение столбец на столбец по строкам: 80000×12, 1500×150…
Векторизация — Pandas умножает все строки за один вызов на C; цикл for i in range(len(df)) был бы в десятки раз медленнее на больших данных.
df[["product", "revenue"]] — два столбца сразу; двойные скобки [[ ]] = список имён столбцов.
nlargest(3, "revenue") — 3 строки с максимальной выручкой; для минимумов — nsmallest. Удобнее, чем sort_values + head, когда нужен именно топ-N.

Школьный вариант: df.assign(total=lambda x: x["hours"] * x["rate"]) — зарплата по часам.

merge — две таблицы в одну

Зачем: заказы хранят только user_id, а имена клиентов — в другой таблице. Нужно «подтянуть» имя к каждому заказу — как ВПР в Excel или JOIN в SQL.

import pandas as pd

orders = pd.DataFrame({
    "order_id": [1, 2, 3],
    "user_id": [10, 10, 20],
    "total": [500, 300, 1200],
})

users = pd.DataFrame({
    "user_id": [10, 20, 30],
    "name": ["Аня", "Боря", "Вера"],
})

result = orders.merge(users, on="user_id", how="left")
print(result)

Разбор:

orders — три заказа; у первых двух один клиент (user_id=10), третий — клиент 20.
users — справочник id → имя; id 30 (Вера) в заказах не участвует.
merge(..., on="user_id") — склеить по общему столбцу; Pandas ищет одинаковые user_id в обеих таблицах и ставит имя рядом с заказом.
how="left" — все строки из левой таблицы (orders) сохраняются; если id нет в users, имя будет NaN. Здесь все id найдены → три строки с именами Аня, Аня, Боря.
how="inner" — только заказы, у которых есть клиент в справочнике (здесь то же самое).
how="outer" — все id из обеих таблиц; появилась бы строка с Верой без заказа (NaN в total).

Школьный вариант: orders — оценки с student_id, users — ФИО из журнала.

Углублённо — объединение таблиц в Pandas.

pivot_table — сводная таблица

Зачем: посмотреть сумму продаж в разрезе «регион × месяц» — ровно как сводная таблица в Excel (Insert → PivotTable).

import pandas as pd

df = pd.DataFrame({
    "region": ["Север", "Юг", "Север", "Юг", "Север"],
    "month": ["Jan", "Jan", "Feb", "Feb", "Feb"],
    "sales": [100, 80, 120, 90, 110],
})

pivot = df.pivot_table(
    values="sales",
    index="region",
    columns="month",
    aggfunc="sum",
    fill_value=0,
)

print(pivot)

Разбор:

Пять исходных строк — каждая продажа отдельно; свод схлопнет их в сетку.
values="sales" — что класть в ячейки — числа продаж.
index="region" — строки свода: Север, Юг.
columns="month" — столбцы: Jan, Feb.
aggfunc="sum" — если несколько строк попали в одну ячейку (Север + Jan = 100), сложить. Можно "mean", "count".
fill_value=0 — где комбинации не было (Юг + Feb только 90, но пустых не будет), вместо NaN поставить 0 — таблица читается в отчёте.

Что получится: таблица 2×2 — Север/Юг по строкам, Jan/Feb по столбцам, в ячейках суммы.

Экспорт в CSV

Зачем: сохранить результат на диск — отправить учителю, открыть в Excel, загрузить в другую программу.

import pandas as pd

summary = pd.DataFrame({
    "city": ["Москва", "Казань"],
    "total": [220, 130],
})

summary.to_csv("report.csv", index=False, encoding="utf-8-sig")
print("Файл report.csv сохранён")

Разбор:

summary — итоговая маленькая таблица после groupby; так обычно экспортируют отчёты, а не сырой миллион строк.
to_csv("report.csv") — записать в файл report.csv в текущей папке (откуда запускали python analiz.py).
index=False — не писать служебный столбец 0, 1, 2… слева; в Excel он мешает. Почти всегда ставят False для отчётов.
encoding="utf-8-sig" — UTF-8 с меткой BOM; Excel на Windows правильно показывает кириллицу в «Москва», «Казань». Без этого — кракозябры.
После запуска рядом со скриптом появится report.csv — откройте двойным щелчком.

Примеры для лабораторных

Полные сценарии «от данных до ответа на вопрос». Код самодостаточный — файл CSV на диске не нужен; для своей работы замените только источник данных.

1. Загрузка CSV и быстрый EDA

Задача: прочитать таблицу из файла (или строки) и за 30 секунд понять — сколько строк, какие столбцы, есть ли пропуски.

import pandas as pd
from io import StringIO

# В реальной работе раскомментируйте:
# df = pd.read_csv("data.csv", encoding="utf-8", dtype={"id": str})

csv_text = "id,name,score\n1,Аня,5\n2,Боря,4\n3,Вера,5\n4,Глеб,3\n"
df = pd.read_csv(StringIO(csv_text))

print(df.head())
print(df.info())
print("\nОписательная статистика:\n", df.describe(include="all"))

Разбор:

from io import StringIO — «файл в памяти»; StringIO(csv_text) притворяется файлом с текстом внутри. Удобно для учебных примеров и тестов без диска.
csv_text — минимальный CSV: первая строка — заголовки через запятую, дальше — данные. Так выглядит экспорт из Excel «CSV UTF-8».
pd.read_csv(StringIO(csv_text)) — разбор текста в таблицу: автоматически определяет заголовок, типы, запятую как разделитель.
В реальном проекте: pd.read_csv("data.csv", encoding="utf-8", dtype={"id": str}) — путь к вашему файлу; dtype не даёт столбцу id стать числом.
encoding="utf-8" — если в файле кириллица; при ошибке попробуйте encoding="cp1251" (старый Excel в Windows).
describe(include="all") — сводка и по числам, и по тексту (name): для строк покажет count, unique, top.

Чек-лист после read_csv: head() → типы в info() → пропуски isnull().sum() → только потом графики и groupby.

2. Отчёт «продажи по городам и товарам»

Задача: ответить «сколько выручки и сколько сделок по каждой паре город + товар» — типичный вопрос в лабораторной по экономике или IT.

import pandas as pd

df = pd.DataFrame({
    "city": ["Москва", "Казань", "Москва", "Казань", "Москва"],
    "product": ["A", "A", "B", "B", "A"],
    "amount": [100, 80, 120, 90, 150],
})

report = (
    df.groupby(["city", "product"], as_index=False)
    .agg(revenue=("amount", "sum"), orders=("amount", "count"))
    .sort_values("revenue", ascending=False)
)

print(report)

Разбор:

Пять строк — отдельные сделки; Москва+A встречается дважды (100 и 150) → в отчёте сумма 250.
groupby(["city", "product"]) — группы по двум ключам одновременно: (Москва, A), (Казань, A), (Москва, B)…
as_index=False — город и товар остаются обычными столбцами, а не «прилипают» к индексу; так проще экспортировать в CSV и читать человеку.
revenue=("amount", "sum") — именованный агрегат: новый столбец revenue = сумма amount в группе. Читается лучше, чем голый .sum().
orders=("amount", "count") — число строк в группе = число заказов (не путать с sum!).
Скобки (...) — цепочка методов на нескольких строках; выполняется сверху вниз: сгруппировали → посчитали → отсортировали.
sort_values("revenue", ascending=False) — лидеры сверху — первой строкой будет пара с максимальной выручкой.

Для курсовой: добавьте .to_csv("report_by_city.csv", index=False) в конец цепочки.

3. Очистка «грязного» опроса

Задача: анкета с Google Forms / Excel — дубли email, «Да» и «да», пустой возраст. Привести к виду, пригодному для подсчёта процентов.

import pandas as pd
import numpy as np

raw = pd.DataFrame({
    "email": ["a@mail.ru", "A@mail.ru", "b@mail.ru", None, "c@mail.ru"],
    "answer": [" Да ", "да", "Нет", "Да", "нет"],
    "age": [17, 17, 16, np.nan, 18],
})

clean = (
    raw.dropna(subset=["email"])
    .assign(
        email=lambda x: x["email"].str.lower().str.strip(),
        answer=lambda x: x["answer"].str.strip().str.capitalize(),
        age=lambda x: x["age"].fillna(x["age"].median()),
    )
    .drop_duplicates(subset=["email"], keep="first")
)

print("Было строк:", len(raw), "→ стало:", len(clean))
print(clean)

Разбор:

raw — 5 ответов, но одна анкета без email, один email дважды с разным регистром (a@ и A@).
.dropna(subset=["email"]) — первый шаг: строки без email бесполезны для учёта уникальных респондентов.
.assign(email=lambda x: x["email"].str.lower().str.strip()) — email в нижнем регистре и без пробелов; A@mail.ru → a@mail.ru, совпадёт с первой строкой.
answer=...str.capitalize() — « Да » → «Да», «нет» → «Нет»; единый формат для value_counts.
age=...fillna(median()) — пропуск возраста (4-я строка) заменяем медианой 17; строка потом всё равно может уйти при dedup.
.drop_duplicates(subset=["email"], keep="first") — после нормализации a@mail.ru дважды → остаётся первая анкета.
len(raw) vs len(clean) — наглядная метрика для отчёта: «из 5 сырых записей 3 валидных».

Для проекта: замените capitalize() на replace({"да": "Да", "нет": "Нет", "Да": "Да"}), если ответов больше двух.

4. Временной ряд — продажи по месяцам

Задача: есть даты и суммы по дням — нужна сумма за месяц и сглаженный тренд (скользящее среднее). Частый запрос в экономике и на практикумах по данным.

import pandas as pd

df = pd.DataFrame({
    "date": ["2024-01-05", "2024-01-20", "2024-02-10", "2024-02-28"],
    "sales": [100, 150, 200, 180],
})

df["date"] = pd.to_datetime(df["date"])
df = df.set_index("date")

monthly = df["sales"].resample("ME").sum()
rolling_avg = df["sales"].rolling(window=2, min_periods=1).mean()

print("По месяцам:\n", monthly)
print("\nСкользящее среднее (2 точки):\n", rolling_avg)

Разбор:

Даты пока строки "2024-01-05" — Pandas не знает, что это календарь, пока не скажете явно.
pd.to_datetime(df["date"]) — превращает в тип datetime64; можно сравнивать, резать периоды, строить график по оси времени.
set_index("date") — дата становится индексом строк (метки слева); resample и rolling работают только с упорядоченным временным индексом.
resample("ME").sum() — разбить время на месяцы (ME = month end) и сложить sales в каждом: январь 100+150=250, февраль 200+180=380.
rolling(window=2, min_periods=1).mean() — среднее по последним двум точкам; для первой точки одна — min_periods=1 не даёт NaN. Сглаживает «скачки» на графике.
Раньше писали resample("M"); в новых pandas предпочтительно "ME".

График: после этого блока monthly.plot(kind="bar") — см. Matplotlib — примеры.

5. Строковые столбцы — поиск и извлечение

Задача: в столбце SKU-1001 найти все SKU и вытащить номер без ручного редактирования — типичная «грязная» колонка из ERP или Excel.

import pandas as pd

df = pd.DataFrame({
    "code": ["SKU-1001", "SKU-2042", "ITEM-99", "sku-3000"],
    "note": ["  срочно  ", "обычный", None, "  VIP "],
})

mask = df["code"].str.contains("SKU", case=False, na=False)
nums = df["code"].str.extract(r"(\d+)", expand=False)
df["note"] = df["note"].str.strip().str.upper()

print("Строки с SKU:\n", df[mask])
print("\nИзвлечённые номера:\n", nums)
print("\nПримечания:\n", df["note"])

Разбор:

str.contains("SKU", case=False) — есть ли подстрока SKU в code; case=False — sku и SKU одинаковы; na=False — пустые ячейки → False, не ломают фильтр.
mask — столбец True/False; df[mask] — только строки, где в code есть SKU (три из четырёх; ITEM-99 отсеется).
str.extract(r"(\d+)") — регулярное выражение: \d+ = одна или больше цифр; скобки () — группа захвата → 1001, 2042, 99, 3000 в отдельном столбце.
expand=False — результат Series (один столбец), а не DataFrame.
df["note"].str.strip().str.upper() — пробелы убраны, текст заглавными; None останется NaN — для них .str не падает.

Без RegEx: df["code"].str.split("-").str[1] — взять часть после дефиса, если формат всегда XXX-число.

6. Корреляция числовых признаков

Задача: есть ли связь «чем выше рост, тем больше вес» или «балл за тест и часы сна» — вводная статистика, корреляция Пирсона.

import pandas as pd

df = pd.DataFrame({
    "height_cm": [170, 165, 180, 175, 160],
    "weight_kg": [65, 58, 82, 70, 55],
    "test_score": [80, 75, 88, 85, 72],
})

numeric = df.select_dtypes(include="number")
print("Матрица корреляции (Пирсон):\n", numeric.corr().round(2))

Разбор:

Три числовых признака по пяти людям (условная выборка класса).
select_dtypes(include="number") — отрезать только числа; если бы был столбец name (текст), он не попал бы в corr.
corr() — матрица 3×3: каждая ячейка — коэффициент от −1 до 1. Диагональ всегда 1 (переменная с самой собой).
Близко к 1 — растут вместе (рост и вес часто так); близко к 0 — связи почти нет; −1 — одна растёт, другая падает.
.round(2) — два знака после запятой; иначе 0.873421… мешает читать в отчёте.

Важно: корреляция не доказывает причину; только «движутся вместе». Для графика — heatmap в 1112.

7. Цепочка методов — один пайплайн

Задача: один читаемый «конвейер» — отфильтровать → посчитать по отделам → отсортировать — без пяти промежуточных переменных.

import pandas as pd

df = pd.DataFrame({
    "dept": ["IT", "HR", "IT", "Sales", "IT", "HR"],
    "name": ["Аня", "Боря", "Вера", "Глеб", "Дина", "Егор"],
    "salary": [120000, 90000, 130000, 110000, 125000, 85000],
})

result = (
    df.query("salary >= 90000")
    .groupby("dept", as_index=False)
    .agg(avg_salary=("salary", "mean"), headcount=("name", "count"))
    .sort_values("avg_salary", ascending=False)
)

print(result)

Разбор:

query("salary >= 90000") — фильтр SQL-подобным текстом; имена столбцов без кавычек; число 90000 — порог «не ниже 90k». Егор (85000) выпадет до groupby.
Цепочка начинается с скобки ( — перенос на новую строку без ошибки синтаксиса.
groupby("dept") — по отделам IT, HR, Sales; в IT три человека после фильтра.
avg_salary=("salary", "mean") — средняя зарплата в отделе; headcount=("name", "count") — сколько человек (считаем непустые name).
sort_values("avg_salary", ascending=False) — отдел с максимальной средней зарплатой первым.
В Jupyter последней строкой можно просто result — таблица отрисуется HTML.

Стиль для курсовой: комментарий над цепочкой — «Шаг 1: фильтр зарплат ≥ 90k; Шаг 2: агрегат по dept».

8. Чтение Excel и лист по имени

Задача: данные лежат в .xlsx на листе «Продажи» — прочитать и сохранить итог в новый файл.

import pandas as pd

# В проекте раскомментируйте:
# df = pd.read_excel("report.xlsx", sheet_name="Продажи", engine="openpyxl")

df = pd.DataFrame({"month": ["Jan", "Feb"], "value": [10, 15]})

df.to_excel("out.xlsx", sheet_name="Итог", index=False)
print(df)
print("\nСохранено в out.xlsx (нужен: pip install openpyxl)")

Разбор:

read_excel(..., sheet_name="Продажи") — конкретный лист; sheet_name=0 — первый лист по номеру.
engine="openpyxl" — движок для формата xlsx; без установленного openpyxl будет ImportError.
to_excel("out.xlsx", sheet_name="Итог", index=False) — запись таблицы на лист «Итог»; файл создаётся или перезаписывается.
Excel удобен для преподавателя и бухгалтерии; для больших данных и Python-пайплайнов чаще CSV или Parquet.

Переиспользуемые шаблоны

Шаблон «загрузил → почистил → отчёт»

Зачем: обернуть повторяющиеся шаги в функцию — один раз написали, вызываете с разными файлами.

import pandas as pd

def load_and_summarize(path: str) -> pd.DataFrame:
    df = pd.read_csv(path, encoding="utf-8")
    df = df.dropna(how="all").drop_duplicates()
    summary = df.groupby(df.columns[0], as_index=False).mean(numeric_only=True)
    return summary

# summary = load_and_summarize("data.csv")
# summary.to_csv("summary.csv", index=False)

Разбор:

def load_and_summarize(path: str) — функция принимает путь к CSV; : str — подсказка типа (не обязательна для запуска).
-> pd.DataFrame — функция возвращает таблицу; можно присвоить в переменную или сразу .to_csv.
dropna(how="all") — удалить строки, где все ячейки пустые (мусорные строки в конце Excel).
drop_duplicates() — полные копии строк; без subset — сравниваются все столбцы.
df.columns[0] — имя первого столбца; группировка «по первому полю» — универсальный черновик; лучше заменить на "region" и т.д.
mean(numeric_only=True) — среднее только по числам; текстовые столбцы не ломают расчёт.
Строки с # — закомментированы; уберите #, когда будет реальный data.csv.

Шаблон для Jupyter и Colab

Зачем: в ноутбуке таблица на тысячи строк забивает экран; настроим красивый вывод один раз в начале.

import pandas as pd

pd.set_option("display.max_rows", 20)
pd.set_option("display.float_format", lambda x: f"{x:,.2f}")

df = pd.DataFrame({"a": [1.234567, 2.345678]})
df  # в ноутбуке последняя строка — красивая HTML-таблица

Разбор:

pd.set_option(...) — глобальные настройки Pandas на всю сессию ноутбука.
display.max_rows — показывать не больше 20 строк; остальное сворачивается в ....
display.float_format — числа как 1.23 с разделителем тысяч; 1234567.89 → 1,234,567.89.
Последняя строка ячейки df без print — в Jupyter/Colab отображается интерактивная таблица; в обычном .py нужен print(df).

См. также

NumPy — массивы и матрицы — массивы и матрицы перед таблицами
Pandas — типовые операции при анализе данных — справочник команд
Очистка и подготовка данных в Pandas
Анализ данных — pandas, NumPy, SciPy
Pandas — объединение таблиц, своды и временные ряды
Matplotlib — графики — теория визуализации
Matplotlib — графики (примеры) — скрипты после расчётов

См. также

Другие статьи этого же раздела в боковом меню (как на странице "О разделе").

Основы табличных данных на Python​

Частые запросы в Google — куда смотреть​

Как запустить пример​

Базовые термины​

Какую операцию выбрать​

Обязательные элементы​

Стартовые операции​

Создание таблицы и первый осмотр​

Фильтрация строк​

groupby — статистика по группам​

Очистка — пропуски и дубликаты​

value_counts и describe​

Новый столбец и сортировка​

merge — две таблицы в одну​

pivot_table — сводная таблица​

Экспорт в CSV​

Примеры для лабораторных​

1. Загрузка CSV и быстрый EDA​

2. Отчёт «продажи по городам и товарам»​

3. Очистка «грязного» опроса​

4. Временной ряд — продажи по месяцам​

5. Строковые столбцы — поиск и извлечение​

6. Корреляция числовых признаков​

7. Цепочка методов — один пайплайн​

8. Чтение Excel и лист по имени​

Переиспользуемые шаблоны​

Шаблон «загрузил → почистил → отчёт»​

Шаблон для Jupyter и Colab​

См. также​

Связанные темы

См. также

📄️Готовые решения

📄️Простой консольный чат на CSharp

📄️HTML + CSS — готовые макеты

📄️Примеры фигур Turtle на Python

📄️Примеры фигур Panda3D на Python

📄️Docker Compose — готовые стеки

📄️Nginx — конфиги под задачу

📄️Dockerfile — 10 типовых образов

📄️Prometheus + Grafana — запросы

📄️Kubernetes YAML — минимальные манифесты

📄️Matplotlib — графики

📄️Примеры фигур на Processing/p5.js

Основы табличных данных на Python

Частые запросы в Google — куда смотреть

Как запустить пример

Базовые термины

Какую операцию выбрать

Обязательные элементы

Стартовые операции

Создание таблицы и первый осмотр

Фильтрация строк

groupby — статистика по группам

Очистка — пропуски и дубликаты

value_counts и describe

Новый столбец и сортировка

merge — две таблицы в одну

pivot_table — сводная таблица

Экспорт в CSV

Примеры для лабораторных

1. Загрузка CSV и быстрый EDA

2. Отчёт «продажи по городам и товарам»

3. Очистка «грязного» опроса

4. Временной ряд — продажи по месяцам

5. Строковые столбцы — поиск и извлечение

6. Корреляция числовых признаков

7. Цепочка методов — один пайплайн

8. Чтение Excel и лист по имени

Переиспользуемые шаблоны

Шаблон «загрузил → почистил → отчёт»

Шаблон для Jupyter и Colab

См. также