ForDataScientist - Python base parte2
0 likes150 views
Il documento tratta della lezione 1 su Python, focalizzandosi su strutture dati fondamentali come liste e dizionari, e l'introduzione a moduli come os, sys e numpy. Viene presentata una serie storica di dati mensili organizzati in liste e dizionari, insieme a operazioni come estrazione e assegnazione. Infine, si menzionano tuple e la loro applicazione per rappresentare dati di esportazione tra paesi nel 2015 e 2016.
![[
125.6,
128.3,
132.9,
133.1,
135.5,
135.2,
138.6
]
DIZIONARIO
{
’201501’ : 125.6,
‘201506’ : 128.3,
‘201507’ : 132.9,
‘201508’ : 133.1 ,
‘201509’ : 135.5,
‘201510’ : 135.2,
‘201511’ : 138.6
}
LISTA](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-5-320.jpg)
![[
125.6,
128.3,
132.9,
133.1,
135.5,
135.2,
138.6
]
DIZIONARIO
{
’201501’ : 125.6,
‘201506’ : 128.3,
‘201507’ : 132.9,
‘201508’ : 133.1 ,
‘201509’ : 135.5,
‘201510’ : 135.2,
‘201511’ : 138.6
}
LISTA
posizione 0
posizione 1
posizione 2
posizione 3
posizione 4
posizione 5
posizione 6
chiave
chiave
chiave
chiave
chiave
chiave
chiave](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-6-320.jpg)
![Assegnazione
LIS1 = [ 125.6, 128.3,
132.9, 133.1, 135.5,
135.2, 138.6 ]
DIZIONARIO
Assegnazione
DIZ1 = {
’201501’ : 125.6,
‘201506’ : 128.3,
‘201507’ : 132.9,
‘201508’ : 133.1 ,
‘201509’ : 135.5,
‘201510’ : 135.2,
‘201511’ : 138.6
}
LISTA](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-7-320.jpg)
![Estrazione
LIS1 [3]
LIS1 [1:3]
LIS1 [:3]
DIZIONARIO
Estrazione
DIZ1 [‘201508’]
LISTA](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-8-320.jpg)
![[ ]
{ }( )
Data Built-in Data Module
numpy
pandas.Array
.Series.max()
.mean()
.Ndarray
.std()
.mean(axis=1)
.DataFrame
.index
.index
.columns
.index()
.count()
.count()
.keys
.sort()
.append()
.remove()](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-11-320.jpg)
![[ ]ESTRATTORE
tupla lista Array
Ndarray
Series
DataFrame
iloc()](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-13-320.jpg)
![A cosa servono le tuple
A= { (‘FRA’,’DEU’,’2015’): 765,
(‘FRA’,’ITA’,’2015’): 234,
(‘FRA’,’USA’,’2015’): 122,
(‘DEU’,’FRA’,’2016’): 975,
(‘DEU’,’ITA’,’2016’): 744,
(‘DEU’,’USA’,’2016’): 865 }
A= {‘FRA’:{’DEU’:{’2015’: 765},
’ITA’:{’2015’: 234},
’USA’:{’2015’: 122} },
‘DEU’:{’FRA’:{’2016’: 975},
’ITA’:{’2016’: 744},
‘USA’:{‘2016’: 865} }
}
Nel 2015, la Francia ha esportato verso la Germania 875 milioni di euro; verso l’Italia 234 mln di euro;
verso gli Stati Uniti 122 mln di euro;
Nel 2016, la Germania ha esportato verso la Francia 975 milioni di euro; verso l’Italia 744; verso gli
Stati Uniti 865
A['FRA']['ITA']['2015'] A [ ('FRA','ITA','2015') ]
COSTRUZIONE
ESTRAZIONE](https://image.slidesharecdn.com/pythonbase-parte2-datenerepersicurezza-160920103520/85/ForDataScientist-Python-base-parte2-14-320.jpg)
ForDataScientist - Python base parte2
- 1. LEZIONE 1.. PYTHON BASE PARTE 2: strutture dati di base: liste e dizionari; primi moduli: os, sys, numpy.
- 2. Lezione precedente interi, floating point, decimal ATTRIBUTI METODI OGGETTO CLASSE funzioni built-in stringhe ITERABLE print len int float str list set .replace .upper .count if elif else for .. in .. :
- 3. COME ORGANIZ- ZARE I DATI 100 324.3 ‘Italia’ 533 ‘FRA’ ‘Oggi è una bella giornata’ 54.5 True 57 987 False ‘DEU’ ‘config.py’
- 4. CONSIDERIAMO UNA SERIE STORICA MENSILE maggio 2015 125.6 giugno 2015 128.3 luglio 2015 132.9 agosto 2015 133.1 settembre 2015 135.5 ottobre 2015 135.2 novembre 2015 138.6
- 5. [ 125.6, 128.3, 132.9, 133.1, 135.5, 135.2, 138.6 ] DIZIONARIO { ’201501’ : 125.6, ‘201506’ : 128.3, ‘201507’ : 132.9, ‘201508’ : 133.1 , ‘201509’ : 135.5, ‘201510’ : 135.2, ‘201511’ : 138.6 } LISTA
- 6. [ 125.6, 128.3, 132.9, 133.1, 135.5, 135.2, 138.6 ] DIZIONARIO { ’201501’ : 125.6, ‘201506’ : 128.3, ‘201507’ : 132.9, ‘201508’ : 133.1 , ‘201509’ : 135.5, ‘201510’ : 135.2, ‘201511’ : 138.6 } LISTA posizione 0 posizione 1 posizione 2 posizione 3 posizione 4 posizione 5 posizione 6 chiave chiave chiave chiave chiave chiave chiave
- 7. Assegnazione LIS1 = [ 125.6, 128.3, 132.9, 133.1, 135.5, 135.2, 138.6 ] DIZIONARIO Assegnazione DIZ1 = { ’201501’ : 125.6, ‘201506’ : 128.3, ‘201507’ : 132.9, ‘201508’ : 133.1 , ‘201509’ : 135.5, ‘201510’ : 135.2, ‘201511’ : 138.6 } LISTA
- 8. Estrazione LIS1 [3] LIS1 [1:3] LIS1 [:3] DIZIONARIO Estrazione DIZ1 [‘201508’] LISTA
- 11. [ ] { }( ) Data Built-in Data Module numpy pandas.Array .Series.max() .mean() .Ndarray .std() .mean(axis=1) .DataFrame .index .index .columns .index() .count() .count() .keys .sort() .append() .remove()
- 13. [ ]ESTRATTORE tupla lista Array Ndarray Series DataFrame iloc()
- 14. A cosa servono le tuple A= { (‘FRA’,’DEU’,’2015’): 765, (‘FRA’,’ITA’,’2015’): 234, (‘FRA’,’USA’,’2015’): 122, (‘DEU’,’FRA’,’2016’): 975, (‘DEU’,’ITA’,’2016’): 744, (‘DEU’,’USA’,’2016’): 865 } A= {‘FRA’:{’DEU’:{’2015’: 765}, ’ITA’:{’2015’: 234}, ’USA’:{’2015’: 122} }, ‘DEU’:{’FRA’:{’2016’: 975}, ’ITA’:{’2016’: 744}, ‘USA’:{‘2016’: 865} } } Nel 2015, la Francia ha esportato verso la Germania 875 milioni di euro; verso l’Italia 234 mln di euro; verso gli Stati Uniti 122 mln di euro; Nel 2016, la Germania ha esportato verso la Francia 975 milioni di euro; verso l’Italia 744; verso gli Stati Uniti 865 A['FRA']['ITA']['2015'] A [ ('FRA','ITA','2015') ] COSTRUZIONE ESTRAZIONE
- 16. CONTATTI TELEFONO 051 22 35 20 EMAIL [email protected]