**Biblioteki NumPy i Pandas

NumPy (Numerical Python) to biblioteka Python, która zapewnia wsparcie dla dużych, wielowymiarowych tablic i macierzy wraz z zestawem funkcji matematycznych do operacji na tych tablicach. Jest fundamentalna w Data Science, ponieważ optymalizuje operacje na liczbach. NumPy jest bardzo szybkie, ponieważ jest zaimplementowane w języku C, a nie Python. Aby zainstalować NumPy, użyj pip install numpy.

Przykład:

import numpy as np

ar = np.array([1, 2, 3, 4, 5]) # Tworzenie tablicy jednowymiarowej
print(ar)
print(type(ar))

ar_2d = np.array([[1, 2, 3], [4, 5, 6]]) # Tworzenie tablicy dwuwymiarowej (macierzy)
print(ar_2d)
print(ar_2d.shape) # Sprawdzenie wymiarów macierzy (wiersze, kolumny)

NumPy oferuje szeroki zakres operacji na tablicach, w tym: operacje arytmetyczne (dodawanie, odejmowanie, mnożenie, dzielenie), operacje logiczne (np. porównywanie elementów), indeksowanie i wycinanie (slicing), oraz funkcje matematyczne (np. sin, cos, sqrt).

Przykład:

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# Dodawanie tablic
suma = arr1 + arr2
print(suma)  # Output: [5 7 9]

# Mnożenie tablic
mnozenie = arr1 * arr2
print(mnozenie)  # Output: [ 4 10 18]

# Wycinanie fragmentu tablicy
sliced_arr = arr1[0:2] # elementy od indeksu 0 do 1 (nie wliczając 2)
print(sliced_arr)  # Output: [1 2]

# Funkcja matematyczna
sin_arr = np.sin(arr1)
print(sin_arr)

Pandas to biblioteka Python służąca do manipulacji i analizy danych. Jest zbudowana na NumPy i udostępnia struktury danych, które pozwalają na łatwe zarządzanie i analizę danych tabelarycznych (np. z plików CSV, Excel). Najważniejsze struktury danych w Pandas to Series (jednowymiarowa tablica z etykietami) i DataFrame (dwuwymiarowa tabela).

Przykład:

import pandas as pd

data = {'Nazwa': ['Ania', 'Bartek', 'Celina'], 'Wiek': [25, 30, 28]}
df = pd.DataFrame(data) # Tworzenie DataFrame
print(df)
print(df.head(2)) # Wyświetlenie pierwszych dwóch wierszy

Pandas umożliwia wykonywanie wielu operacji na danych: wczytywanie danych z plików (CSV, Excel, JSON), filtrowanie danych, sortowanie, grupowanie, łączenie tabel, obliczanie statystyk i wiele innych. Funkcje filtrowania i grupowania są szczególnie przydatne w eksploracji danych.

Przykład:

import pandas as pd

data = {'Nazwa': ['Ania', 'Bartek', 'Celina', 'Dawid'], 'Wiek': [25, 30, 28, 25], 'Miasto': ['Warszawa', 'Kraków', 'Warszawa', 'Wrocław']}
df = pd.DataFrame(data)

# Filtrowanie danych
df_warszawa = df[df['Miasto'] == 'Warszawa']
print(df_warszawa)

# Sortowanie danych
df_posortowane = df.sort_values(by='Wiek', ascending=False)
print(df_posortowane)

# Agregacja (obliczanie średniego wieku dla każdego miasta)
grupa_miasto = df.groupby('Miasto')['Wiek'].mean()
print(grupa_miasto)