ନିଜେ ହାତରେ ତଥ୍ୟ ସଫା କରିବା ବଦଳରେ pandas ରେ କାହିଁକି କରିବେ?
pandas ରେ ତଥ୍ୟ ସଫା କରିବା ଲାଭଦାୟକ, କାରଣ ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ଲିଖିତ ରହେ ଏବଂ ପରବର୍ତ୍ତୀ ମାସର ରପ୍ତାନି ହୋଇଥିବା ତଥ୍ୟରେ କିଛି ସେକେଣ୍ଡ ମଧ୍ୟରେ ପୁଣି ଚଲାଯାଇପାରେ। ଅନ୍ୟପକ୍ଷରେ, ସ୍ପ୍ରେଡ୍ସିଟ୍ରେ ହାତରେ ସଂଶୋଧନ କରିବା ଧୀର, ସହଜରେ ଭୁଲିହୋଇଯାଏ ଏବଂ ତାହାର ଅଡିଟ୍ କରିବା ଅସମ୍ଭବ।
Fernhill Gardens ନାମକ ଚାରୋଟି ସ୍ଥାନରେ ଥିବା ଏକ କାଳ୍ପନିକ ବଗିଚା ସାମଗ୍ରୀ ବିକ୍ରୟ ଗୋଷ୍ଠୀ କଥା ଭାବନ୍ତୁ। ଅର୍ଥ ବିଶ୍ଳେଷକ Tomasz ପ୍ରତି ମାସରେ ଅନଲାଇନ୍ ଅର୍ଡରର ଏକ CSV ପାଆନ୍ତି। ତଳେ ଥିବା ନମୁନାରେ ଏକା ଅର୍ଡର ଦୁଇଥର ଅଛି, ସ୍ଥାନର ନାମ ଅନେକ ଭାବରେ ଲେଖାଯାଇଛି, ରାଶିରେ ମୁଦ୍ରା ଚିହ୍ନ ଓ କମା ଅଛି, ତାରିଖରେ ଦିନ-ପ୍ରଥମ ଓ ବର୍ଷ-ପ୍ରଥମ ଆକୃତି ମିଶିଛି, ଏବଂ ନଥିବା ମୂଲ୍ୟଗୁଡ଼ିକ ଖାଲି ଘର, 'ପ୍ରଯୁଜ୍ୟ ନୁହେଁ' ଓ '-' ଭାବେ ଦେଖାଯାଉଛି। ହାତରେ ଏହା ଠିକ୍ କରିବାକୁ ଗୋଟିଏ ଦିନ ଲାଗେ ଏବଂ ମୋଟ ରାଶି କେବେ ବି ଦେୟ ସେବା ପ୍ରଦାନକାରୀଙ୍କ ରିପୋର୍ଟ ସହ ପୂରା ମେଳ ଖାଏ ନାହିଁ।
| order_id | site | order_date | amount | postcode |
|---|---|---|---|---|
| 10231 | ଲିଡ୍ସ | 03/11/2026 | £1,240.00 | LS6 |
| 10231 | ଲିଡ୍ସ | 03/11/2026 | £1,240.00 | LS6 |
| 10232 | ଲିଡ୍ସ | 2026-11-04 | 86.50 | ପ୍ରଯୁଜ୍ୟ ନୁହେଁ |
| 10233 | ୟର୍କ | 05/11/2026 | - | ୱାଇଓ1 |
| 10234 | ହାରୋଗେଟ୍ | 142 |
pandas ବ୍ୟବହାର କରି ଆପଣ ତଥ୍ୟ କିପରି ପର୍ଯ୍ୟାୟକ୍ରମେ ସଫା କରିବେ?
pandas ରେ ତଥ୍ୟ ସଫା କରିବା ପାଇଁ, ପ୍ରଥମେ ଅନୁପସ୍ଥିତ ମୂଲ୍ୟର ସଙ୍କେତଗୁଡ଼ିକ ନିର୍ଦ୍ଦିଷ୍ଟ କରି ତଥ୍ୟ ଲୋଡ୍ କରନ୍ତୁ, ତାହାକୁ ଯାଞ୍ଚ କରନ୍ତୁ, ପାଠ୍ୟକୁ ଏକରୂପ କରନ୍ତୁ, ସଂଖ୍ୟା ଓ ତାରିଖକୁ ଉପଯୁକ୍ତ ରୂପକୁ ବଦଳାନ୍ତୁ, ପୁନରାବୃତ୍ତ ତଥ୍ୟ ହଟାନ୍ତୁ, ବାକି ଖାଲି ସ୍ଥାନଗୁଡ଼ିକ ପାଇଁ କ’ଣ କରିବେ ନିଷ୍ପତ୍ତି ନିଅନ୍ତୁ, ଏବଂ ଶେଷରେ ଫଳାଫଳକୁ ଏକ ଭରସାଯୋଗ୍ୟ ମୋଟ ସହ ମେଳାଇ ଯାଞ୍ଚ କରନ୍ତୁ। ଏହି କ୍ରମରେ ପଦକ୍ଷେପ ନେଲେ ଗୋଟିଏ ସଂଶୋଧନ ଅନ୍ୟଟିକୁ ନଷ୍ଟ କରିବ ନାହିଁ।
1. ଅନୁପସ୍ଥିତ ମୂଲ୍ୟର ସୂଚକଗୁଡ଼ିକ ନିର୍ଦ୍ଦିଷ୍ଟ କରି ତଥ୍ୟ ଲୋଡ୍ କରନ୍ତୁ
pandas ର read_csv ଫଙ୍କସନ୍ ଫାଇଲ୍ଟିକୁ ପଢ଼ି ଏକ DataFrame ରେ ଭର୍ତ୍ତି କରେ। ଖାଲି ଘର ପରି ଯେଉଁ ମୂଲ୍ୟଗୁଡ଼ିକୁ pandas ପୂର୍ବରୁ ଅନୁପସ୍ଥିତ ଭାବେ ଚିହ୍ନେ, ସେଗୁଡ଼ିକ ସହିତ 'N/A' ଏବଂ '-' ପରି ଅତିରିକ୍ତ ପାଠ୍ୟକୁ ମଧ୍ୟ ଅନୁପସ୍ଥିତ ଭାବେ ଗଣିବା ପାଇଁ ଏହାର na_values ଆର୍ଗୁମେଣ୍ଟରେ ତାଲିକାଭୁକ୍ତ କରିପାରିବେ। ଏଠାରେ ସେଗୁଡ଼ିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିଦେଲେ ପରେ ଖୋଜିବାକୁ ପଡ଼େ ନାହିଁ।
2. କିଛି ବଦଳାଇବା ପୂର୍ବରୁ ଯାଞ୍ଚ କରନ୍ତୁ
head ଦ୍ୱାରା ପ୍ରଥମ କିଛି ଧାଡ଼ି, info ଦ୍ୱାରା ସ୍ତମ୍ଭଗୁଡ଼ିକର ତଥ୍ୟ ପ୍ରକାର ଓ ମୂଲ୍ୟ ଥିବା ଘରଗୁଡ଼ିକର ସଂଖ୍ୟା, ଏବଂ isna ସହ sum ମିଶାଇ ପ୍ରତି ସ୍ତମ୍ଭରେ ଅନୁପସ୍ଥିତ ମୂଲ୍ୟର ସଂଖ୍ୟା ଦେଖନ୍ତୁ। ଆପଣ ଯାହା ପାଇଲେ ତାହା ଲେଖନ୍ତୁ: ଫର୍ନହିଲ୍ରେ amount ପାଠ୍ୟ ଭାବେ ସଂରକ୍ଷିତ ଅଛି ଏବଂ order_date ରେ ଭିନ୍ନ ଭିନ୍ନ ଫର୍ମାଟ୍ ଅଛି।
3. ଲେଖାକୁ ଏକ ମାନକ ରୂପ ଦିଅନ୍ତୁ
ଗୋଟିଏ ସ୍ତମ୍ଭରେ ଷ୍ଟ୍ରିଙ୍ଗ୍ ପଦ୍ଧତି ବ୍ୟବହାର କରନ୍ତୁ: str.strip ଆରମ୍ଭ ଓ ଶେଷର ଖାଲି ସ୍ଥାନ ହଟାଏ, ଏବଂ str.lower କିମ୍ବା str.title ବଡ଼ ଓ ଛୋଟ ଅକ୍ଷରର ବ୍ୟବହାରକୁ ଏକରୂପ କରେ, ଫଳରେ ' ଲିଡ୍ସ', 'ଲିଡ୍ସ ' ଓ 'ଲିଡ୍ସ' ଗୋଟିଏ ସ୍ଥାନ ଭାବେ ଗଣାଯାଏ। ତାପରେ ଅବଶିଷ୍ଟ ବନାନ ଭିନ୍ନତା ଧରିବାକୁ unique ଦ୍ୱାରା ସ୍ୱତନ୍ତ୍ର ମୂଲ୍ୟଗୁଡ଼ିକର ତାଲିକା କରନ୍ତୁ।
4. ସଂଖ୍ୟାଗୁଡ଼ିକୁ ରୂପାନ୍ତର କରନ୍ତୁ
str.replace ସହିତ ମୁଦ୍ରା ଚିହ୍ନ ଏବଂ ହଜାର ବିଭାଜକ କମା ହଟାନ୍ତୁ, ତା’ପରେ to_numeric ସହିତ ରୂପାନ୍ତର କରନ୍ତୁ। ଏହାର errors ଆର୍ଗୁମେଣ୍ଟକୁ coerce କଲେ, ଏହା ପଢ଼ିପାରୁନଥିବା ଯେକୌଣସି ମୂଲ୍ୟ ପାଇଁ ପ୍ରକ୍ରିୟା ବନ୍ଦ ହେବା ପରିବର୍ତ୍ତେ ତାହା ଅନୁପସ୍ଥିତ ମୂଲ୍ୟରେ ବଦଳିଯାଏ। ତେଣୁ ସେହି ଧାଡ଼ିଗୁଡ଼ିକ ଅଜାଣତରେ ହରାଇବା ପରିବର୍ତ୍ତେ ଆପଣ ସେଗୁଡ଼ିକୁ ଗଣି ଓ ସମୀକ୍ଷା କରିପାରିବେ।
5. ତାରିଖଗୁଡ଼ିକୁ ରୂପାନ୍ତର କରନ୍ତୁ
to_datetime ପାଠ୍ୟକୁ ଉପଯୁକ୍ତ ତାରିଖରେ ପରିବର୍ତ୍ତନ କରେ। ମିଶ୍ରିତ ଢାଞ୍ଚା ପାଇଁ, ସମ୍ଭବ ହେଲେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଢାଞ୍ଚା ଦିଅନ୍ତୁ, କିମ୍ବା ବ୍ରିଟିଶ୍ ଶୈଳୀର ତାରିଖ ପାଇଁ dayfirst ସେଟ୍ କରନ୍ତୁ, ଏବଂ errorsକୁ coerceରେ ସେଟ୍ କରନ୍ତୁ, ଯାହାଫଳରେ ବୁଝିହେଉନଥିବା ତାରିଖଗୁଡ଼ିକ NaT ହୋଇଯିବ। ଏହା ହେଉଛି ଅନୁପସ୍ଥିତ ତାରିଖ ପାଇଁ pandasର ଚିହ୍ନ। ମନେ ରଖନ୍ତୁ, dayfirst ଏକ ପସନ୍ଦ, କଠୋର ନିୟମ ନୁହେଁ, ତେଣୁ ଫଳାଫଳ ଯାଞ୍ଚ କରନ୍ତୁ।
6. ପୁନରାବୃତ୍ତ ତଥ୍ୟ ହଟାନ୍ତୁ
drop_duplicates ପୁନରାବୃତ୍ତ ଧାଡ଼ିଗୁଡ଼ିକୁ ହଟାଏ। ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଭାବରେ, ପ୍ରତ୍ୟେକ ସ୍ତମ୍ଭ ମେଳ ଖାଇଲେ ହିଁ ଏକ ଧାଡ଼ିକୁ ନକଲ ଭାବେ ଗଣନା କରାଯାଏ; ଏହାର subset ଆର୍ଗୁମେଣ୍ଟ ଆପଣଙ୍କୁ order_id ପରି ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ତମ୍ଭ ଆଧାରରେ ନକଲ ଚିହ୍ନଟ କରିବାକୁ ଦିଏ, ଏବଂ ପ୍ରଥମ କିମ୍ବା ଶେଷ ନକଲ ରହିବ ତାହା keep ନିର୍ଦ୍ଧାରଣ କରେ।
7. ବାକି ରହିଥିବା ଅଭାବଗୁଡ଼ିକ ବିଷୟରେ ନିଷ୍ପତ୍ତି ନିଅନ୍ତୁ
dropna ମୂଲ୍ୟ ନଥିବା ଧାଡ଼ିଗୁଡ଼ିକୁ ହଟାଏ, କିନ୍ତୁ ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଭାବରେ କୌଣସି ଗୋଟିଏ ସ୍ତମ୍ଭରେ ମୂଲ୍ୟ ନଥିଲେ ଏହା ସେହି ଧାଡ଼ିକୁ ହଟାଇଦିଏ। amount ପରି ଆପଣଙ୍କର ପ୍ରକୃତରେ ଆବଶ୍ୟକ ଥିବା ମୂଲ୍ୟ ନଥିବା ଧାଡ଼ିଗୁଡ଼ିକୁ ହିଁ ହଟାଇବା ପାଇଁ ଏହାର subset ଆର୍ଗୁମେଣ୍ଟ ବ୍ୟବହାର କରନ୍ତୁ, କିମ୍ବା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ମୂଲ୍ୟ ଦେଇ ଖାଲି ସ୍ଥାନ ପୂରଣ କରିବା ପାଇଁ fillna ବ୍ୟବହାର କରନ୍ତୁ। ତା’ପରେ ସ୍ତମ୍ଭଗୁଡ଼ିକର ଅନ୍ତିମ ତଥ୍ୟ ପ୍ରକାର ନିର୍ଦ୍ଧାରଣ କରିବାକୁ astype ବ୍ୟବହାର କରନ୍ତୁ, ଉଦାହରଣ ସ୍ୱରୂପ site ପାଇଁ ଏକ ବର୍ଗଭିତ୍ତିକ ପ୍ରକାର।
ତଥ୍ୟ ସଫା କରିବାର ଏକ ଦୁର୍ବଳ ଓ ଏକ ଉନ୍ନତ ପର୍ଯ୍ୟାୟ କିପରି ହୋଇଥାଏ?
ଦୁର୍ବଳ ପ୍ରକ୍ରିୟାରେ read_csv ଦ୍ୱାରା ଫାଇଲ୍ ଲୋଡ୍ କରାଯାଏ, କୌଣସି ଆର୍ଗୁମେଣ୍ଟ ନ ଦେଇ dropna ଏବଂ ତା’ପରେ କୌଣସି ଆର୍ଗୁମେଣ୍ଟ ନ ଦେଇ drop_duplicates ଚଲାଯାଏ। ପୋଷ୍ଟକୋଡ୍ ପ୍ରାୟତଃ ଖାଲି ଥିବାରୁ dropna ଅନେକ ବୈଧ ଅର୍ଡର୍ ହଟାଇଦିଏ, ଏବଂ ' ଲିଡ୍ସ' ଓ 'ଲିଡ୍ସ ' ଏବେ ବି ଭିନ୍ନ ରହୁଥିବାରୁ କିଛି ନକଲ ରେକର୍ଡ ରହିଯାଏ। ରାଜସ୍ୱ ହିସାବ ବାସ୍ତବଠାରୁ ବହୁତ କମ୍ ଆସେ, ଏବଂ କେଉଁ ଧାଡ଼ିଗୁଡ଼ିକ ହଟିଗଲା ତାହା କେହି ଜାଣନ୍ତି ନାହିଁ।
ସଂଶୋଧିତ ପ୍ରକ୍ରିୟାରେ ତଥ୍ୟ ଲୋଡ୍ କରିବା ସମୟରେ 'N/A' ଓ '-'କୁ ଅନୁପସ୍ଥିତ ମୂଲ୍ୟ ଭାବେ ଚିହ୍ନଟ କରାଯାଏ, siteର ଆରମ୍ଭ ଓ ଶେଷର ଖାଲି ସ୍ଥାନ ହଟାଇ ପ୍ରତ୍ୟେକ ଶବ୍ଦର ପ୍ରଥମ ଅକ୍ଷରକୁ ବଡ଼ ଏବଂ ଅନ୍ୟ ଅକ୍ଷରଗୁଡ଼ିକୁ ଛୋଟ କରାଯାଏ, '£' ଓ କମା ହଟାଇବା ପରେ to_numeric ସାହାଯ୍ୟରେ amountକୁ ସଂଖ୍ୟାରେ ରୂପାନ୍ତର କରାଯାଏ, dayfirst ଓ coerce ବ୍ୟବହାର କରି order_dateକୁ ତାରିଖରେ ରୂପାନ୍ତର କରାଯାଏ, order_id ଆଧାରରେ ପୁନରାବୃତ୍ତ ଧାଡ଼ି ଚିହ୍ନଟ କରି ପ୍ରଥମଟିକୁ ରଖି ବାକିଗୁଡ଼ିକୁ ହଟାଯାଏ, ଏବଂ କେବଳ amount ନଥିବା ଧାଡ଼ିଗୁଡ଼ିକୁ ବାଦ୍ ଦିଆଯାଏ। ତା’ପରେ ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପରେ କେତେ ଧାଡ଼ି ହଟାଗଲା ତାହା ଦେଖାଯାଏ ଏବଂ ମୋଟ ରାଜସ୍ୱକୁ ଦେୟ ସେବା ପ୍ରଦାନକାରୀଙ୍କ ରିପୋର୍ଟ ସହ ତୁଳନା କରାଯାଏ। ଟୋମାଶ୍ ଏବେ ପ୍ରତ୍ୟେକ ପାର୍ଥକ୍ୟର କାରଣ ବୁଝାଇପାରିବେ।
ତଥ୍ୟ ସଫା କରିବା କାମ ଠିକ୍ ଭାବେ ହୋଇଛି କି ନାହିଁ ଆପଣ କିପରି ଯାଞ୍ଚ କରିବେ?
ତଥ୍ୟ ସଫା କରିବା କାମ ଯାଞ୍ଚ କରିବାକୁ ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ପୂର୍ବରୁ ଓ ପରେ ଧାଡ଼ି ଗଣନ୍ତୁ, ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମୋଟକୁ ସ୍ୱାଧୀନ ଉତ୍ସ ସହ ତୁଳନା କରନ୍ତୁ, ଏବଂ ଯେଉଁ ଧାଡ଼ିଗୁଡ଼ିକର ମୂଲ୍ୟକୁ ଅନୁପସ୍ଥିତ ମୂଲ୍ୟରେ ବଦଳାଯାଇଛି ସେଗୁଡ଼ିକୁ ସମୀକ୍ଷା କରନ୍ତୁ। ସ୍ତମ୍ଭର ତଥ୍ୟ ପ୍ରକାର ନିଶ୍ଚିତ କରିବାକୁ info ପୁଣି ଚଲାନ୍ତୁ ଏବଂ ସ୍ଥାନ ପରି ବର୍ଗଗୁଡ଼ିକର ଅନନ୍ୟ ମୂଲ୍ୟ ତାଲିକା କରନ୍ତୁ। କୌଣସି ପଦକ୍ଷେପରେ ଆଶାଠାରୁ ଅଧିକ ଧାଡ଼ି ହଟିଯାଇଥିଲେ, ଆଗକୁ ବଢ଼ିବା ପୂର୍ବରୁ ସେଗୁଡ଼ିକୁ ଦେଖନ୍ତୁ।
pandas ବ୍ୟବହାର କରି ତଥ୍ୟ ସଫା କରିବାରେ ଏକ AI ସହାୟକ କିପରି ସାହାଯ୍ୟ କରିପାରେ?
ଆପଣ ପ୍ରତ୍ୟେକ ସ୍ତମ୍ଭ, ତାହାର ସମସ୍ୟା ଏବଂ ଆପଣ ଚାହୁଁଥିବା ନିୟମ ବର୍ଣ୍ଣନା କଲେ, କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ସହାୟକ ତଥ୍ୟ ସଫା କରିବାର ପଦକ୍ଷେପଗୁଡ଼ିକର ଖସଡ଼ା ତିଆରି କରିପାରେ ଏବଂ ଅପରିଚିତ ଫଙ୍କସନ୍ ବୁଝାଇପାରେ। ନାମ, ଠିକଣା କିମ୍ବା ସମ୍ପୂର୍ଣ୍ଣ ଡାକ ସଂକେତ ଭଳି ଗ୍ରାହକଙ୍କ ପ୍ରକୃତ ତଥ୍ୟ ପେଷ୍ଟ କରିବା ବଦଳରେ କାଳ୍ପନିକ ଉଦାହରଣ ମାନ ବ୍ୟବହାର କରି ଗଠନ ବର୍ଣ୍ଣନା କରନ୍ତୁ। ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ପରେ ଧାଡ଼ି ସଂଖ୍ୟା ଜଣାଇବାକୁ କୁହନ୍ତୁ ଏବଂ ଏହା ବ୍ୟବହାର କରୁଥିବା ପ୍ରତ୍ୟେକ ଫଙ୍କସନ୍ ଆର୍ଗ୍ୟୁମେଣ୍ଟକୁ pandas ର ଆଧିକାରିକ ଦଲିଲ ସହ ମିଳାଇ ଯାଞ୍ଚ କରନ୍ତୁ, କାରଣ ସହାୟକମାନେ ବେଳେବେଳେ ଏପରି ବିକଳ୍ପ ପ୍ରସ୍ତାବ କରନ୍ତି ଯାହା ନାହିଁ କିମ୍ବା ସଂସ୍କରଣ ବଦଳିବା ସହ ପରିବର୍ତ୍ତିତ ହୋଇଛି।
ପାଣ୍ଡାସ୍ ବ୍ୟବହାର କରି ତଥ୍ୟ ସଫା କରିବା ବେଳେ ସାଧାରଣତଃ କେଉଁ ଭୁଲ୍ ହୁଏ?
ସବୁଠାରୁ ସାଧାରଣ ଭୁଲ ହେଉଛି କୌଣସି ଆର୍ଗୁମେଣ୍ଟ ନ ଦେଇ dropna ଚଲାଇବା ଏବଂ ଏକ ଐଚ୍ଛିକ ସ୍ତମ୍ଭ ଛଡ଼ା ବାକି ସବୁ ଠିକ୍ ଥିବା ଧାଡ଼ିଗୁଡ଼ିକୁ ହରାଇବା। ଅନ୍ୟ ଭୁଲଗୁଡ଼ିକ: ପାଠ୍ୟକୁ ଏକ ମାନକ ରୂପକୁ ଆଣିବା ପୂର୍ବରୁ ନକଲ ତଥ୍ୟ ହଟାଇବା, ଦିନ ଓ ମାସର କ୍ରମ ଯାଞ୍ଚ ନ କରି ତାରିଖର ରୂପାନ୍ତର କରିବା, ମୂଳ ଫାଇଲ୍ ଉପରେ ନୂଆ ତଥ୍ୟ ଲେଖିଦେବା, ଏବଂ ସଫା କରାଯାଇଥିବା ତଥ୍ୟର ମୋଟ ପରିମାଣକୁ କୌଣସି ବିଶ୍ୱସନୀୟ ଆକଳନ ସହ କେବେ ତୁଳନା ନ କରିବା।
Tosheo.ai ରେ ଏହି ପାଠ କେଉଁଠି ରହିଛି?
ଏହା ତଥ୍ୟ ବିଜ୍ଞାନ ପାଠ୍ୟକ୍ରମର ତଥ୍ୟ ବିଜ୍ଞାନ ଓ ବିଶ୍ଳେଷଣ ବର୍ଗର ଏକ କୋଡ୍ ପାଠ। Tosheo.aiର ପ୍ରତ୍ୟେକ ବିଷୟ ଧାରଣା ଏବଂ କୋଡ୍ ନ ଲେଖି ଅଭ୍ୟାସ କରିବାରୁ ଆରମ୍ଭ ହୁଏ, ଏବଂ କୋଡ୍ ପାଠଗୁଡ଼ିକ ଅଧିକ ଗଭୀର ଶିକ୍ଷା ପାଇଁ ଏକ ଇଚ୍ଛାଧୀନ ଧାରା: ପଞ୍ଜୀକରଣ ପରେ ଏହି ପାଠର ସମ୍ପୂର୍ଣ୍ଣ ବ୍ୟାବହାରିକ ସଂସ୍କରଣରେ ଆପଣ Pythonରେ pandas ବ୍ୟବହାର କରି ତଥ୍ୟ ସଫା କରିବାର ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ଲେଖିବେ ଓ ଚଳାଇବେ, ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ମାନଦଣ୍ଡ ଥିବା ଏକ ମୂଲ୍ୟାଙ୍କନ ନିର୍ଦ୍ଦେଶିକା ଅନୁସାରେ ଆପଣଙ୍କ କାମକୁ ଅଙ୍କ ଦିଆଯିବ। ଆପଣ Pythonରେ ନୂଆ ହୋଇଥିଲେ, Python ପାଠ୍ୟକ୍ରମରୁ ଆରମ୍ଭ କରନ୍ତୁ। ଏହା ବ୍ୟାବହାରିକ ଦକ୍ଷତା ଗଢ଼େ; ଏହା ଏକ ନିବିଡ଼ ପ୍ରଶିକ୍ଷଣ କାର୍ଯ୍ୟକ୍ରମ ନୁହେଁ କିମ୍ବା ଚାକିରିର ନିଶ୍ଚିତତା ଦିଏ ନାହିଁ।
ଉତ୍ସ ଓ ପରିସର
pandas ଦସ୍ତାବିଜ: read_csv (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ବ୍ୟବହାରକାରୀ ମାର୍ଗଦର୍ଶିକା: ଅନୁପସ୍ଥିତ ତଥ୍ୟ ସହ କାମ କରିବା (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: DataFrame.dropna (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: DataFrame.drop_duplicates (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: DataFrame.astype (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: to_numeric (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: to_datetime (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗
pandas ଦସ୍ତାବିଜ: Series.str.strip (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗