Comment Lire Les Fichiers Pickle Dans Pandas ?

Le plus souvent, nous utilisons ou stockons des données sous forme de DataFrames au format CSV, Excel ou sous forme de fichier texte. Mais nous pouvons également enregistrer des données sous forme de fichiers Pickle. Les cornichons sont un moyen de représenter des objets Python sur le disque. Ils stockent l'objet dans un format sérialisé, qui peut être utilisé pour reconstruire l'objet ultérieurement. Les cornichons sont utiles pour stocker des données qui doivent être accessibles rapidement et facilement. Dans cet article, nous allons apprendre comment vous pouvez stocker et lire des données dans Pandas à partir de fichiers pickle. Commençons !

Lecture de fichiers Pickle à l'aide de Pandas

Pandas fournit un moyen de lire et d'écrire des fichiers pickle. La manière la plus basique de lire un fichier pickle est d'utiliser la fonction read_pickle(). Cette fonction prend le nom du fichier pickle comme argument et renvoie un pandas DataFrame.

On peut lire les fichiers pickle en Python en utilisant la fonction read_pickle(). 

Syntaxe de la fonction :

pd.read_pickle(path, compression='infer')

Semblable à la fonction read_csv() , cette fonction renverra également un Pandas DataFrame en sortie.

Par exemple:

df = pd.read_pickle('data.pkl')

Voyons maintenant comment enregistrer un fichier data to pickle en python. Nous allons commencer par créer un DataFrame.

import pandas as pd
data = {
    'Name': ['Microsoft Corporation', 'Google, LLC', 'Tesla, Inc.',\
             'Apple Inc.', 'Netflix, Inc.'],
    'Icon': ['MSFT', 'GOOG', 'TSLA', 'AAPL', 'NFLX'],
    'Field': ['Tech', 'Tech', 'Automotive', 'Tech', 'Entertainment'],
    'Market Shares': [100, 50, 160, 300, 80]
           }
df = pd.DataFrame(data)
# print dataframe
print(df)

Production

  Name  Icon          Field  Market Shares
0  Microsoft Corporation  MSFT           Tech            100
1            Google, LLC  GOOG           Tech             50
2            Tesla, Inc.  TSLA     Automotive            160
3             Apple Inc.  AAPL           Tech            300
4          Netflix, Inc.  NFLX  Entertainment             80

Enregistrons maintenant le DataFrame dans un fichier pickle.

df.to_pickle('company info.pkl')

Lisons maintenant le fichier pickle.

df.to_pickle('company info.pkl')

Production

   Name  Icon          Field  Market Shares
0  Microsoft Corporation  MSFT           Tech            100
1            Google, LLC  GOOG           Tech             50
2            Tesla, Inc.  TSLA     Automotive            150
3             Apple Inc.  AAPL           Tech            200
4          Netflix, Inc.  NFLX  Entertainment             80

Conclusion

En résumé, nous avons appris à lire les fichiers pickle à l'aide de la fonction read_pickle() dans Pandas. On peut également utiliser la fonction read_pickle() pour lire des DataFrames sérialisés en tant qu'objets picklés. Les fichiers Pickle sont parfaits pour stocker des données, mais assurez-vous que si vous utilisez des données provenant de fichiers Pickle, elles proviennent d'une source fiable.

Lien : https://www.askpython.com/python-modules/pandas/read-pickle-files-in-pandas

#python #pandas

What is GEEK

Buddha Community

Comment Lire Les Fichiers Pickle Dans Pandas ?

Le plus souvent, nous utilisons ou stockons des données sous forme de DataFrames au format CSV, Excel ou sous forme de fichier texte. Mais nous pouvons également enregistrer des données sous forme de fichiers Pickle. Les cornichons sont un moyen de représenter des objets Python sur le disque. Ils stockent l'objet dans un format sérialisé, qui peut être utilisé pour reconstruire l'objet ultérieurement. Les cornichons sont utiles pour stocker des données qui doivent être accessibles rapidement et facilement. Dans cet article, nous allons apprendre comment vous pouvez stocker et lire des données dans Pandas à partir de fichiers pickle. Commençons !

Lecture de fichiers Pickle à l'aide de Pandas

Pandas fournit un moyen de lire et d'écrire des fichiers pickle. La manière la plus basique de lire un fichier pickle est d'utiliser la fonction read_pickle(). Cette fonction prend le nom du fichier pickle comme argument et renvoie un pandas DataFrame.

On peut lire les fichiers pickle en Python en utilisant la fonction read_pickle(). 

Syntaxe de la fonction :

pd.read_pickle(path, compression='infer')

Semblable à la fonction read_csv() , cette fonction renverra également un Pandas DataFrame en sortie.

Par exemple:

df = pd.read_pickle('data.pkl')

Voyons maintenant comment enregistrer un fichier data to pickle en python. Nous allons commencer par créer un DataFrame.

import pandas as pd
data = {
    'Name': ['Microsoft Corporation', 'Google, LLC', 'Tesla, Inc.',\
             'Apple Inc.', 'Netflix, Inc.'],
    'Icon': ['MSFT', 'GOOG', 'TSLA', 'AAPL', 'NFLX'],
    'Field': ['Tech', 'Tech', 'Automotive', 'Tech', 'Entertainment'],
    'Market Shares': [100, 50, 160, 300, 80]
           }
df = pd.DataFrame(data)
# print dataframe
print(df)

Production

  Name  Icon          Field  Market Shares
0  Microsoft Corporation  MSFT           Tech            100
1            Google, LLC  GOOG           Tech             50
2            Tesla, Inc.  TSLA     Automotive            160
3             Apple Inc.  AAPL           Tech            300
4          Netflix, Inc.  NFLX  Entertainment             80

Enregistrons maintenant le DataFrame dans un fichier pickle.

df.to_pickle('company info.pkl')

Lisons maintenant le fichier pickle.

df.to_pickle('company info.pkl')

Production

   Name  Icon          Field  Market Shares
0  Microsoft Corporation  MSFT           Tech            100
1            Google, LLC  GOOG           Tech             50
2            Tesla, Inc.  TSLA     Automotive            150
3             Apple Inc.  AAPL           Tech            200
4          Netflix, Inc.  NFLX  Entertainment             80

Conclusion

En résumé, nous avons appris à lire les fichiers pickle à l'aide de la fonction read_pickle() dans Pandas. On peut également utiliser la fonction read_pickle() pour lire des DataFrames sérialisés en tant qu'objets picklés. Les fichiers Pickle sont parfaits pour stocker des données, mais assurez-vous que si vous utilisez des données provenant de fichiers Pickle, elles proviennent d'une source fiable.

Lien : https://www.askpython.com/python-modules/pandas/read-pickle-files-in-pandas

#python #pandas

Python Pandas Objects - Pandas Series and Pandas Dataframe

In this post, we will learn about pandas’ data structures/objects. Pandas provide two type of data structures:-

Pandas Series

Pandas Series is a one dimensional indexed data, which can hold datatypes like integer, string, boolean, float, python object etc. A Pandas Series can hold only one data type at a time. The axis label of the data is called the index of the series. The labels need not to be unique but must be a hashable type. The index of the series can be integer, string and even time-series data. In general, Pandas Series is nothing but a column of an excel sheet with row index being the index of the series.

Pandas Dataframe

Pandas dataframe is a primary data structure of pandas. Pandas dataframe is a two-dimensional size mutable array with both flexible row indices and flexible column names. In general, it is just like an excel sheet or SQL table. It can also be seen as a python’s dict-like container for series objects.

#python #python-pandas #pandas-dataframe #pandas-series #pandas-tutorial

Pandas in Python

Pandas is used for data manipulation, analysis and cleaning.

What are Data Frames and Series?

Dataframe is a two dimensional, size mutable, potentially heterogeneous tabular data.

It contains rows and columns, arithmetic operations can be applied on both rows and columns.

Series is a one dimensional label array capable of holding data of any type. It can be integer, float, string, python objects etc. Panda series is nothing but a column in an excel sheet.

How to create dataframe and series?

s = pd.Series([1,2,3,4,56,np.nan,7,8,90])

print(s)

How to create a dataframe by passing a numpy array?

1. d= pd.date_range(‘20200809’,periods=15)
2. print(d)
3. df = pd.DataFrame(np.random.randn(15,4), index= d, columns = [‘A’,’B’,’C’,’D’])
4. print(df)

#pandas-series #pandas #pandas-in-python #pandas-dataframe #python

WORKING WITH GROUPBY IN PANDAS

In my last post, I mentioned the groupby technique  in Pandas library. After creating a groupby object, it is limited to make calculations on grouped data using groupby’s own functions. For example, in the last lesson, we were able to use a few functions such as mean or sum on the object we created with groupby. But with the aggregate () method, we can use both the functions we have written and the methods used with groupby. I will show how to work with groupby in this post.

#pandas-groupby #python-pandas #pandas #data-preprocessing #pandas-tutorial

Reading and Writing Data in Pandas

In my last post, I mentioned summarizing and computing descriptive statistics  using the Pandas library. To work with data in Pandas, it is necessary to load the data set first. Reading the data set is one of the important stages of data analysis. In this post, I will talk about reading and writing data.

Before starting the topic, our Medium page includes posts on data science, artificial intelligence, machine learning, and deep learning. Please don’t forget to follow us on Medium 🌱 to see these posts and the latest posts.

Let’s get started.

#python-pandas-tutorial #pandas-read #pandas #python-pandas