ದತ್ತಾಂಶವನ್ನು ಕೈಯಾರೆ ಸ್ವಚ್ಛಗೊಳಿಸುವ ಬದಲು pandas ನಲ್ಲಿ ಏಕೆ ಸ್ವಚ್ಛಗೊಳಿಸಬೇಕು?
pandasನಲ್ಲಿ ದತ್ತಾಂಶವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವುದು ಉಪಯುಕ್ತ. ಏಕೆಂದರೆ ಪ್ರತಿಯೊಂದು ಹಂತವೂ ದಾಖಲಾಗಿ ಉಳಿಯುತ್ತದೆ ಮತ್ತು ಮುಂದಿನ ತಿಂಗಳ ರಫ್ತು ದತ್ತಾಂಶದ ಮೇಲೂ ಕೆಲವೇ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಅದೇ ಹಂತಗಳನ್ನು ಮತ್ತೆ ಚಲಾಯಿಸಬಹುದು. ಆದರೆ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ನಲ್ಲಿ ಕೈಯಾರೆ ಮಾಡುವ ತಿದ್ದುಪಡಿಗಳು ನಿಧಾನವಾಗಿರುತ್ತವೆ, ಸುಲಭವಾಗಿ ಮರೆತುಹೋಗುತ್ತವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಲೆಕ್ಕಪರಿಶೋಧನೆಗೆ ಒಳಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
ನಾಲ್ಕು ಸ್ಥಳಗಳಲ್ಲಿ ಮಳಿಗೆಗಳಿರುವ ಫರ್ನ್‌ಹಿಲ್ ಗಾರ್ಡನ್ಸ್ ಎಂಬ ಕಲ್ಪಿತ ತೋಟಗಾರಿಕಾ ಕೇಂದ್ರಗಳ ಸಮೂಹವನ್ನು ಊಹಿಸಿ. ಹಣಕಾಸು ವಿಶ್ಲೇಷಕ ಟೊಮಾಶ್‌ಗೆ ಆನ್‌ಲೈನ್ ಆರ್ಡರ್‌ಗಳ ಮಾಸಿಕ CSV ಸಿಗುತ್ತದೆ. ಕೆಳಗಿನ ಮಾದರಿಯಲ್ಲಿ ಒಂದೇ ಆರ್ಡರ್ ಎರಡು ಬಾರಿ ಕಾಣಿಸುತ್ತದೆ, ಮಳಿಗೆಯ ಹೆಸರನ್ನು ಹಲವು ರೀತಿಯಲ್ಲಿ ಟೈಪ್ ಮಾಡಲಾಗಿದೆ, ಮೊತ್ತಗಳಲ್ಲಿ ಕರೆನ್ಸಿ ಚಿಹ್ನೆ ಮತ್ತು ಅಲ್ಪವಿರಾಮವಿದೆ, ದಿನಾಂಕಗಳಲ್ಲಿ ದಿನ-ಮೊದಲು ಮತ್ತು ವರ್ಷ-ಮೊದಲು ಸ್ವರೂಪಗಳು ಬೆರೆತಿವೆ. ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು ಖಾಲಿ ಜಾಗಗಳಾಗಿ, 'ಅನ್ವಯಿಸುವುದಿಲ್ಲ' ಮತ್ತು '-' ಎಂದು ಕಾಣಿಸುತ್ತವೆ. ಇದನ್ನು ಕೈಯಾರೆ ಸರಿಪಡಿಸಲು ಒಂದು ದಿನ ಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಒಟ್ಟು ಮೊತ್ತಗಳು ಪಾವತಿ ಸೇವಾ ಪೂರೈಕೆದಾರರ ವರದಿಗೆ ಎಂದಿಗೂ ಸರಿಯಾಗಿ ಹೊಂದುವುದಿಲ್ಲ.
| order_id | site | order_date | amount | postcode |
|---|---|---|---|---|
| 10231 | ಲೀಡ್ಸ್ | 03/11/2026 | £1,240.00 | LS6 |
| 10231 | ಲೀಡ್ಸ್ | 03/11/2026 | £1,240.00 | LS6 |
| 10232 | ಲೀಡ್ಸ್ | 2026-11-04 | 86.50 | ಅನ್ವಯಿಸುವುದಿಲ್ಲ |
| 10233 | ಯಾರ್ಕ್ | 05/11/2026 | - | YO1 |
| 10234 | ಹ್ಯಾರೊಗೇಟ್ | 142 |
pandas ಬಳಸಿ ದತ್ತಾಂಶವನ್ನು ಹಂತ ಹಂತವಾಗಿ ಹೇಗೆ ಸ್ವಚ್ಛಗೊಳಿಸಬಹುದು?
ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳ ಸೂಚಕಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ ದತ್ತಾಂಶವನ್ನು pandasಗೆ ಲೋಡ್ ಮಾಡಿ. ಅದನ್ನು ಪರಿಶೀಲಿಸಿ, ಪಠ್ಯವನ್ನು ಏಕರೂಪಗೊಳಿಸಿ, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ದಿನಾಂಕಗಳನ್ನು ಸರಿಯಾದ ರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸಿ, ನಕಲುಗಳನ್ನು ತೆಗೆದುಹಾಕಿ, ಉಳಿದ ಖಾಲಿ ಮೌಲ್ಯಗಳನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸಬೇಕೆಂದು ನಿರ್ಧರಿಸಿ. ಕೊನೆಯಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಒಟ್ಟು ಮೊತ್ತದೊಂದಿಗೆ ಹೋಲಿಸಿ ಪರಿಶೀಲಿಸಿ. ಈ ಕ್ರಮದಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದರೆ, ಒಂದು ತಿದ್ದುಪಡಿ ಮತ್ತೊಂದನ್ನು ಹಾಳುಮಾಡುವುದಿಲ್ಲ.
1. ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳ ಗುರುತುಗಳನ್ನು ಸೂಚಿಸಿ ದತ್ತಾಂಶವನ್ನು ಲೋಡ್ ಮಾಡಿ
pandasನ read_csv ಕಾರ್ಯವು ಕಡತವನ್ನು ಓದಿ DataFrameಗೆ ಸೇರಿಸುತ್ತದೆ. ಖಾಲಿ ಕ್ಷೇತ್ರಗಳಂತಹ, pandas ಈಗಾಗಲೇ ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ ಗುರುತಿಸುವ ಮೌಲ್ಯಗಳ ಜೊತೆಗೆ, ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳೆಂದು ಪರಿಗಣಿಸಬೇಕಾದ 'N/A' ಮತ್ತು '-' ನಂತಹ ಹೆಚ್ಚುವರಿ ಪಠ್ಯಗಳನ್ನು ಅದರ na_values ನಿಯತಾಂಕದಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಬಹುದು. ಅವನ್ನು ಇಲ್ಲಿಯೇ ಸೂಚಿಸುವುದರಿಂದ ನಂತರ ಹುಡುಕುವ ಅಗತ್ಯ ತಪ್ಪುತ್ತದೆ.
2. ಯಾವುದನ್ನಾದರೂ ಬದಲಿಸುವ ಮೊದಲು ಪರಿಶೀಲಿಸಿ
head ಬಳಸಿ ಮೊದಲ ಸಾಲುಗಳನ್ನು, info ಬಳಸಿ ಕಾಲಮ್‌ಗಳ ದತ್ತಾಂಶದ ವಿಧಗಳು ಮತ್ತು ಖಾಲಿಯಲ್ಲದ ಮೌಲ್ಯಗಳ ಸಂಖ್ಯೆಯನ್ನು, ಹಾಗೂ isna ಜೊತೆ sum ಬಳಸಿ ಪ್ರತಿ ಕಾಲಮ್‌ನಲ್ಲಿ ಕಾಣೆಯಾಗಿರುವ ಮೌಲ್ಯಗಳ ಸಂಖ್ಯೆಯನ್ನು ನೋಡಿ. ಕಂಡುಕೊಂಡದ್ದನ್ನು ಬರೆದಿಡಿ: ಫರ್ನ್‌ಹಿಲ್‌ನಲ್ಲಿ, amount ಅನ್ನು ಪಠ್ಯವಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಮತ್ತು order_date ನಲ್ಲಿ ಬೇರೆ ಬೇರೆ ಸ್ವರೂಪಗಳಿವೆ.
3. ಪಠ್ಯವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿ
ಕಾಲಮ್‌ನಲ್ಲಿ ಪಠ್ಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿ: str.strip ಆರಂಭದ ಮತ್ತು ಕೊನೆಯ ಖಾಲಿ ಜಾಗಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ; str.lower ಅಥವಾ str.title ದೊಡ್ಡಕ್ಷರ ಮತ್ತು ಸಣ್ಣಕ್ಷರಗಳ ಬಳಕೆಯನ್ನು ಏಕರೂಪಗೊಳಿಸುತ್ತದೆ. ಹೀಗಾಗಿ ' Leeds', 'leeds ' ಮತ್ತು 'LEEDS' ಒಂದೇ ಸ್ಥಳವಾಗುತ್ತವೆ. ನಂತರ ಉಳಿದಿರುವ ಕಾಗುಣಿತ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು unique ಬಳಸಿ ಅನನ್ಯ ಮೌಲ್ಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.
4. ಸಂಖ್ಯೆಗಳನ್ನು ಪರಿವರ್ತಿಸಿ
str.replace ಬಳಸಿ ಕರೆನ್ಸಿ ಚಿಹ್ನೆ ಮತ್ತು ಸಾವಿರದ ಸ್ಥಾನವನ್ನು ಸೂಚಿಸುವ ಅಲ್ಪವಿರಾಮವನ್ನು ತೆಗೆದುಹಾಕಿ, ನಂತರ to_numeric ಬಳಸಿ ಪರಿವರ್ತಿಸಿ. ಅದರ errors ಆರ್ಗ್ಯುಮೆಂಟ್ ಅನ್ನು coerce ಎಂದು ಹೊಂದಿಸಿದರೆ, ಅರ್ಥೈಸಲಾಗದ ಯಾವುದೇ ಮೌಲ್ಯವನ್ನು ಪ್ರಕ್ರಿಯೆ ನಿಲ್ಲಿಸುವ ಬದಲು ಕಾಣೆಯಾದ ಮೌಲ್ಯವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಹೀಗಾಗಿ ಆ ಸಾಲುಗಳು ಗಮನಕ್ಕೆ ಬಾರದೆ ಕಳೆದುಹೋಗುವ ಬದಲು ಅವುಗಳನ್ನು ಎಣಿಸಿ ಪರಿಶೀಲಿಸಬಹುದು.
5. ದಿನಾಂಕಗಳನ್ನು ಪರಿವರ್ತಿಸಿ
to_datetime ಪಠ್ಯವನ್ನು ಸರಿಯಾದ ದಿನಾಂಕಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಮಿಶ್ರ ಸ್ವರೂಪಗಳಿದ್ದರೆ, ಸಾಧ್ಯವಾದಲ್ಲಿ ಸ್ವರೂಪವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೀಡಿ ಅಥವಾ ಬ್ರಿಟಿಷ್ ಶೈಲಿಯ ದಿನಾಂಕಗಳಿಗೆ dayfirst ಹೊಂದಿಸಿ. ಅರ್ಥೈಸಲಾಗದ ದಿನಾಂಕಗಳು pandas ನಲ್ಲಿ ಕಾಣೆಯಾದ ದಿನಾಂಕವನ್ನು ಸೂಚಿಸುವ NaT ಆಗುವಂತೆ errors ಅನ್ನು coerce ಗೆ ಹೊಂದಿಸಿ. dayfirst ಒಂದು ಆದ್ಯತೆಯಷ್ಟೇ, ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಮವಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸಿ; ಆದ್ದರಿಂದ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
6. ನಕಲುಗಳನ್ನು ತೆಗೆದುಹಾಕಿ
drop_duplicates ಪುನರಾವರ್ತಿತ ಸಾಲುಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ, ಪ್ರತಿಯೊಂದು ಕಾಲಮ್‌ನ ಮೌಲ್ಯವೂ ಹೊಂದಿಕೆಯಾದಾಗ ಮಾತ್ರ ಒಂದು ಸಾಲನ್ನು ನಕಲು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ; ಅದರ subset ನಿಯತಾಂಕವು order_id ನಂತಹ ಆಯ್ದ ಕಾಲಮ್‌ಗಳ ಆಧಾರದಲ್ಲಿ ನಕಲುಗಳನ್ನು ನಿರ್ಧರಿಸಲು ನಿಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಮೊದಲ ಪ್ರತಿಯನ್ನು ಉಳಿಸಬೇಕೇ ಅಥವಾ ಕೊನೆಯ ಪ್ರತಿಯನ್ನೇ ಎಂಬುದನ್ನು keep ನಿರ್ಧರಿಸುತ್ತದೆ.
7. ಉಳಿದಿರುವ ಕೊರತೆಗಳ ಬಗ್ಗೆ ನಿರ್ಧರಿಸಿ
dropna ಮೌಲ್ಯಗಳು ಇಲ್ಲದಿರುವ ಸಾಲುಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಆದರೆ ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ, ಯಾವುದೇ ಒಂದು ಕಾಲಮ್‌ನಲ್ಲಿ ಮೌಲ್ಯ ಇಲ್ಲದಿದ್ದರೂ ಇಡೀ ಸಾಲನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. amount ನಂತಹ ನಿಮಗೆ ನಿಜವಾಗಿಯೂ ಅಗತ್ಯವಿರುವ ಮೌಲ್ಯಗಳು ಇಲ್ಲದ ಸಾಲುಗಳನ್ನು ಮಾತ್ರ ತೆಗೆದುಹಾಕಲು ಅದರ subset ನಿಯತಾಂಕವನ್ನು ಬಳಸಿ, ಅಥವಾ ಖಾಲಿ ಜಾಗದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯ ತುಂಬಲು fillna ಬಳಸಿ. ನಂತರ ಕಾಲಮ್‌ಗಳ ಅಂತಿಮ ದತ್ತಾಂಶ ಪ್ರಕಾರಗಳನ್ನು ಹೊಂದಿಸಲು astype ಬಳಸಿ; ಉದಾಹರಣೆಗೆ, site ಗೆ ವರ್ಗದ ಪ್ರಕಾರವನ್ನು ಹೊಂದಿಸಿ.
ದುರ್ಬಲ ದತ್ತಾಂಶ ಶುದ್ಧೀಕರಣ ಹಂತ ಮತ್ತು ಸುಧಾರಿತ ಹಂತ ಹೇಗಿರುತ್ತವೆ?
ದುರ್ಬಲ ಪ್ರಯತ್ನವು read_csv ಬಳಸಿ ಕಡತವನ್ನು ತೆರೆದು, ಯಾವುದೇ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳಿಲ್ಲದೆ dropna ಅನ್ನು, ನಂತರ ಯಾವುದೇ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳಿಲ್ಲದೆ drop_duplicates ಅನ್ನು ಕರೆಯುತ್ತದೆ. ಅಂಚೆ ಸಂಕೇತವು ಸಾಮಾನ್ಯವಾಗಿ ಖಾಲಿಯಾಗಿರುವುದರಿಂದ, dropna ಮಾನ್ಯವಾದ ಬೇಡಿಕೆಗಳ ದೊಡ್ಡ ಪಾಲನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ' Leeds' ಮತ್ತು 'leeds ' ಇನ್ನೂ ಭಿನ್ನವಾಗಿರುವುದರಿಂದ ಕೆಲವು ನಕಲುಗಳು ಉಳಿದುಕೊಳ್ಳುತ್ತವೆ. ಆದಾಯವು ನಿಜಕ್ಕಿಂತ ಬಹಳ ಕಡಿಮೆಯಾಗಿ ಬರುತ್ತದೆ ಮತ್ತು ಯಾವ ಸಾಲುಗಳು ತೆಗೆದುಹಾಕಲ್ಪಟ್ಟವು ಎಂಬುದು ಯಾರಿಗೂ ತಿಳಿಯುವುದಿಲ್ಲ.
ಸುಧಾರಿತ ಸಂಸ್ಕರಣೆಯು ದತ್ತಾಂಶವನ್ನು ಲೋಡ್ ಮಾಡುವಾಗ 'N/A' ಮತ್ತು '-' ಅನ್ನು ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳೆಂದು ಗುರುತಿಸುತ್ತದೆ, site ನಲ್ಲಿರುವ ಹೆಚ್ಚುವರಿ ಖಾಲಿ ಜಾಗಗಳನ್ನು ತೆಗೆದು ಪ್ರತಿ ಪದದ ಮೊದಲಕ್ಷರವನ್ನು ದೊಡ್ಡಕ್ಷರಕ್ಕೆ ಬದಲಿಸುತ್ತದೆ, '£' ಮತ್ತು ಅಲ್ಪವಿರಾಮಗಳನ್ನು ತೆಗೆದ ಬಳಿಕ to_numeric ಬಳಸಿ amount ಅನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ, dayfirst ಮತ್ತು coerce ಬಳಸಿ order_date ಅನ್ನು ಪರಿವರ್ತಿಸುತ್ತದೆ, order_id ಆಧಾರದ ಮೇಲೆ ನಕಲುಗಳನ್ನು ಗುರುತಿಸಿ ಮೊದಲನೆಯದನ್ನು ಉಳಿಸುತ್ತದೆ ಮತ್ತು amount ಇಲ್ಲದ ಸಾಲುಗಳನ್ನು ಮಾತ್ರ ತೆಗೆದುಹಾಕುತ್ತದೆ. ನಂತರ ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಎಷ್ಟು ಸಾಲುಗಳನ್ನು ತೆಗೆದುಹಾಕಲಾಗಿದೆ ಎಂಬುದನ್ನು ಮುದ್ರಿಸುತ್ತದೆ ಮತ್ತು ಒಟ್ಟು ಆದಾಯವನ್ನು ಪಾವತಿ ಸೇವಾದಾರರ ವರದಿಯೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ. ಈಗ ತೋಮಾಶ್ ಪ್ರತಿ ವ್ಯತ್ಯಾಸವನ್ನೂ ವಿವರಿಸಬಹುದು.
ದತ್ತಾಂಶ ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ ಯಶಸ್ವಿಯಾಗಿದೆಯೇ ಎಂದು ಹೇಗೆ ಪರಿಶೀಲಿಸಬಹುದು?
ಪ್ರತಿ ಹಂತದ ಮೊದಲು ಮತ್ತು ನಂತರ ಸಾಲುಗಳನ್ನು ಎಣಿಸಿ, ಪ್ರಮುಖ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಸ್ವತಂತ್ರ ಮೂಲದೊಂದಿಗೆ ಹೋಲಿಸಿ, ಮತ್ತು ಪರಿವರ್ತನೆಯ ವೇಳೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳಾಗಿ ಬದಲಾದ ಸಾಲುಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ ದತ್ತಾಂಶ ಶುದ್ಧೀಕರಣವನ್ನು ಪರಿಶೀಲಿಸಿ. ಕಾಲಮ್‌ಗಳ ದತ್ತಾಂಶ ವಿಧಗಳನ್ನು ದೃಢಪಡಿಸಲು info ಅನ್ನು ಮತ್ತೆ ಚಲಾಯಿಸಿ ಮತ್ತು ಸ್ಥಳದಂತಹ ವರ್ಗಗಳಲ್ಲಿರುವ ವಿಶಿಷ್ಟ ಮೌಲ್ಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಒಂದು ಹಂತದಲ್ಲಿ ನಿರೀಕ್ಷೆಗಿಂತ ಹೆಚ್ಚು ಸಾಲುಗಳು ತೆಗೆದುಹಾಕಲ್ಪಟ್ಟಿದ್ದರೆ, ಮುಂದುವರಿಯುವ ಮೊದಲು ಅವುಗಳನ್ನು ನೋಡಿ.
pandas ಬಳಸಿ ದತ್ತಾಂಶವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು AI ಸಹಾಯಕ ಹೇಗೆ ನೆರವಾಗಬಹುದು?
ಪ್ರತಿ ಕಾಲಮ್, ಅದರ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ನಿಮಗೆ ಬೇಕಾದ ನಿಯಮವನ್ನು ವಿವರಿಸಿದರೆ, AI ಸಹಾಯಕವು ದತ್ತಾಂಶ ಶುದ್ಧೀಕರಣದ ಹಂತಗಳ ಕರಡನ್ನು ತಯಾರಿಸಬಹುದು. ಪರಿಚಯವಿಲ್ಲದ ಫಂಕ್ಷನ್‌ಗಳನ್ನೂ ವಿವರಿಸಬಹುದು. ಹೆಸರುಗಳು, ವಿಳಾಸಗಳು ಅಥವಾ ಪೂರ್ಣ ಅಂಚೆ ಸಂಕೇತಗಳಂತಹ ನಿಜವಾದ ಗ್ರಾಹಕ ದತ್ತಾಂಶವನ್ನು ಅಂಟಿಸುವ ಬದಲು, ಕಲ್ಪಿತ ಉದಾಹರಣೆ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ರಚನೆಯನ್ನು ವಿವರಿಸಿ. ಪ್ರತಿ ಹಂತದ ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ತಿಳಿಸಲು ಅದಕ್ಕೆ ಹೇಳಿ. ಅದು ಬಳಸುವ ಪ್ರತಿಯೊಂದು ಫಂಕ್ಷನ್ ಆರ್ಗ್ಯುಮೆಂಟ್ ಅನ್ನು ಅಧಿಕೃತ pandas ದಾಖಲಾತಿಯೊಂದಿಗೆ ಹೋಲಿಸಿ ಪರಿಶೀಲಿಸಿ. ಏಕೆಂದರೆ ಸಹಾಯಕಗಳು ಕೆಲವೊಮ್ಮೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಅಥವಾ ಆವೃತ್ತಿಗಳ ನಡುವೆ ಬದಲಾಗಿರುವ ಆಯ್ಕೆಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ.
pandas ಬಳಸಿ ದತ್ತಾಂಶವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವಾಗ ಸಾಮಾನ್ಯವಾಗಿ ಆಗುವ ತಪ್ಪುಗಳು ಯಾವುವು?
ಯಾವುದೇ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳಿಲ್ಲದೆ dropna ಅನ್ನು ಚಲಾಯಿಸಿ, ಐಚ್ಛಿಕ ಅಂಕಣವೊಂದನ್ನು ಹೊರತುಪಡಿಸಿ ಸರಿಯಾಗಿದ್ದ ಸಾಲುಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದು ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ತಪ್ಪು. ಇತರವು: ಪಠ್ಯವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವ ಮೊದಲು ನಕಲುಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು, ದಿನ ಮತ್ತು ತಿಂಗಳ ಕ್ರಮವನ್ನು ಪರಿಶೀಲಿಸದೆ ದಿನಾಂಕಗಳನ್ನು ಪರಿವರ್ತಿಸುವುದು, ಮೂಲ ಕಡತದ ಮೇಲೆಯೇ ಹೊಸ ದತ್ತಾಂಶವನ್ನು ಉಳಿಸುವುದು, ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿದ ದತ್ತಾಂಶದ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಅಂಕಿಯೊಂದಿಗೆ ಎಂದಿಗೂ ಹೋಲಿಸದಿರುವುದು.
Tosheo.ai ನಲ್ಲಿ ಈ ಪಾಠ ಯಾವ ಭಾಗಕ್ಕೆ ಸೇರುತ್ತದೆ?
ಇದು ದತ್ತಾಂಶ ವಿಜ್ಞಾನ ಕೋರ್ಸ್‌ನ ದತ್ತಾಂಶ ವಿಜ್ಞಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ ವಿಭಾಗದಲ್ಲಿರುವ ಕೋಡ್ ಪಾಠ. Tosheo.aiಯ ಪ್ರತಿಯೊಂದು ವಿಷಯವೂ ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಕೋಡ್ ಬರೆಯದ ಅಭ್ಯಾಸದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಕೋಡ್ ಪಾಠಗಳು ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ಕಲಿಯಲು ಇರುವ ಐಚ್ಛಿಕ ಮಾರ್ಗ: ನೋಂದಣಿಯ ನಂತರ, ಈ ಪಾಠದ ಸಂಪೂರ್ಣ ಪ್ರಾಯೋಗಿಕ ಆವೃತ್ತಿಯಲ್ಲಿ ನೀವು pandas ಬಳಸಿ Pythonನಲ್ಲಿ ಪ್ರತಿ ಸ್ವಚ್ಛಗೊಳಿಸುವ ಹಂತವನ್ನು ಬರೆದು ಚಲಾಯಿಸುತ್ತೀರಿ. ಅದನ್ನು ಅಂಕಮಾಪನ ಮಾರ್ಗಸೂಚಿಯ ಆಧಾರದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ. Python ನಿಮಗೆ ಹೊಸದಾಗಿದ್ದರೆ, Python ಕೋರ್ಸ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ. ಇದು ಪ್ರಾಯೋಗಿಕ ಕೌಶಲವನ್ನು ಬೆಳೆಸುತ್ತದೆ; ತೀವ್ರ ತರಬೇತಿ ಕಾರ್ಯಕ್ರಮವಲ್ಲ ಮತ್ತು ಉದ್ಯೋಗದ ಖಾತರಿಯನ್ನೂ ನೀಡುವುದಿಲ್ಲ.
ಮೂಲಗಳು ಮತ್ತು ವ್ಯಾಪ್ತಿ
pandas ದಸ್ತಾವೇಜು: read_csv (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: DataFrame.dropna (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: DataFrame.drop_duplicates (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: DataFrame.astype (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: to_numeric (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: to_datetime (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗
pandas ದಸ್ತಾವೇಜು: Series.str.strip (ಪರಿಶೀಲಿಸಿದ ದಿನಾಂಕ 19 October 2026) ↗