-
dropna() – usuwa wiersze lub kolumny zawierające brakujące wartości
df.dropna()
df.dropna(axis=1)
-
fillna() – uzupełnia brakujące wartości podaną wartością lub metodą
df.fillna(0)
df.fillna(method='ffill')
-
isna() / isnull() – zwraca maskę wartości brakujących (NaN)
df.isna()
df['col'].isnull()
-
notna() / notnull() – zwraca maskę wartości niebrakujących
df.notna()
df['col'].notnull()
-
replace() – zamienia wskazane wartości na inne
df.replace({'unknown': np.nan})
df['col'].replace(0, np.nan)
-
drop_duplicates() – usuwa zduplikowane wiersze
df.drop_duplicates()
df.drop_duplicates(subset=['col1', 'col2'])
-
duplicated() – zwraca maskę zduplikowanych wierszy
df.duplicated()
df.duplicated(subset=['col'])
-
astype() – konwertuje kolumnę do innego typu danych
df['col'].astype('int')
df.astype({'col1': 'float', 'col2': 'string'})
-
str accessor – operacje tekstowe na kolumnach typu string
df['col'].str.lower()
df['col'].str.replace(' ', '_')
-
rename() – zmienia nazwy kolumn lub indeksów
df.rename(columns={'old': 'new'})
df.rename(index={0: 'first'})
-
set_index() / reset_index() – ustawia kolumnę jako indeks lub przywraca indeks do kolumny
df.set_index('id')
df.reset_index()
-
value_counts() – zlicza wystąpienia unikalnych wartości w serii
df['col'].value_counts()
-
cut() / qcut() – dzieli dane na przedziały (cut) lub kwantyle (qcut)
pd.cut(df['age'], bins=[0,18,65,100])
pd.qcut(df['score'], q=4)
-
pd.to_datetime() – konwertuje dane do formatu datetime
pd.to_datetime(df['date'])
-
pd.to_numeric() – konwertuje dane do liczb, opcjonalnie ignorując błędy
pd.to_numeric(df['col'], errors='coerce')
-
pd.get_dummies() – koduje zmienne kategoryczne jako zmienne zero-jedynkowe
pd.get_dummies(df['category'])
-
interpolate() – uzupełnia brakujące dane przez interpolację
df['value'].interpolate()
df.interpolate(method='linear', limit_direction='forward')