pandas: तालिका लोड गर्ने र अन्वेषण

pandas स्थापना

टर्मिनलमा, परियोजना फोल्डरबाट:

pip install pandas

नोटबुकमा:

!pip install pandas

संयम भनेको pd मा आयात गर्ने हो:

import pandas as pd
print(pd.__version__)

CSV एकै लाइनमा पढ्ने

अध्याय 2 को data/prices.csv सम्झनुहोस्:

date,close
2026-06-23,2105.4
2026-06-24,2128.9
2026-06-25,2117.3
2026-06-26,2134.7

अध्याय 2 मा तपाईंले यो पढ्न र मूल्यलाई दशमलवमा बदल्न आधा स्क्रिनको कोड लेख्नुभएको थियो। pandas मा:

import pandas as pd

prices = pd.read_csv("data/prices.csv")
print(prices)

बस यति नै। pd.read_csv ले फाइल पढ्छ, पहिलो पङ्क्तिलाई स्तम्भ नामका रूपमा लिन्छ, र प्रत्येक स्तम्भको डाटा प्रकार स्वचालित रूपमा पत्ता लगाउँछ। नतिजा — prices — DataFrame हो, pandas को तालिका प्रकार।

प्रिन्ट गर्नुहोस्:

         date   close
0  2026-06-23  2105.4
1  2026-06-24  2128.9
2  2026-06-25  2117.3
3  2026-06-26  2134.7

बायाँको 0, 1, 2, 3 स्तम्भ सूचकाङ्क हो — हरेक पङ्क्तिको स्थानगत लेबल। पूर्वनिर्धारित रूपमा यो केवल 0, 1, 2, ... हुन्छ; पछि तपाईंले मिति स्तम्भलाई सूचकाङ्क बनाउन सक्नुहुन्छ, जुन समय-शृङ्खलाका लागि प्रायः चाहिने हुन्छ।

पहिलो घण्टामै थाहा पाउनुपर्ने चार फङ्क्सन

नयाँ डाटासेटको झन्डै हरेक अन्वेषण यिनैबाट सुरु हुन्छ:

prices.head()        # पहिलो 5 पङ्क्ति
prices.tail()        # पछिल्ला 5 पङ्क्ति
prices.shape         # (पङ्क्ति, स्तम्भ) — जस्तै (4, 2)
prices.describe()    # सङ्ख्यात्मक स्तम्भहरूको सारांश तथ्याङ्क

describe() ले हरेक सङ्ख्यात्मक स्तम्भका लागि गन्ती, औसत, मानक विचलन, न्यूनतम, अधिकतम, र चतुर्थांश दिन्छ। तपाईंले कहिल्यै नदेखेको डाटासेटको स्वाद पाउने सबैभन्दा छिटो तरिका यही हो।

स्तम्भ-तहको निरीक्षणका लागि दुई थप:

prices.columns       # Index(['date', 'close'], ...) — स्तम्भ नाम
prices.dtypes        # हरेक स्तम्भको डाटा प्रकार

स्तम्भहरूसँग काम गर्ने

DataFrame को स्तम्भलाई Series भनिन्छ। तपाईंले नामले पहुँच गर्नुहुन्छ:

prices["close"]            # Series का रूपमा close स्तम्भ
prices["close"].mean()     # 2121.575
prices["close"].max()      # 2134.7
prices["close"] * 1.05     # हरेक मूल्यलाई 1.05 ले गुणन

Series लगभग 1D NumPy एरे जस्तै व्यवहार गर्छ — पछिल्लो खण्डका अधिकांश सञ्चालन यहाँ चल्छन्। फरक यो हो कि Series सँग सूचकाङ्क (लेबल) टाँसिएको हुन्छ।

असाइनमेन्टले नयाँ स्तम्भ पनि थप्न सक्नुहुन्छ:

prices["close_npr_lakh"] = prices["close"] / 100000

यसले विद्यमानबाट निकालिएको नयाँ स्तम्भ थप्छ। नयाँ स्तम्भको हरेक पङ्क्ति एकैचोटि गणना हुन्छ — लूप आवश्यक छैन। NumPy को भेक्टराइजेसन विचारलाई बिनै सोच्नु प्रयोग गर्दै हुनुहुन्छ।

पङ्क्ति फिल्टर

NumPy को बुलियन-मास्क विचारको pandas संस्करण:

prices[prices["close"] > 2120]

यसले close मूल्य 2120 भन्दा माथि भएका पङ्क्ति मात्र भएको नयाँ DataFrame फिर्ता दिन्छ। हाम्रो सानो उदाहरणमा दुई दिन। उही ढाँचा जुनसुकै शर्तका लागि चल्छ:

prices[prices["date"] >= "2026-06-25"]
prices[(prices["close"] > 2100) & (prices["close"] < 2125)]

नोट: सर्तहरू & र | ले जोड्नुहोस् (and र or होइन), र प्रत्येक सर्तलाई कोष्ठकमा बेर्नुहोस्। यो pandas का साना झमेलामध्ये एक हो — एक पटक डढ्नुहोस्, सधैंका लागि सम्झिन्छ।

groupby: सबैभन्दा उपयोगी सञ्चालन

यदि कुनै एक pandas सञ्चालन तपाईंले बाँकी जीवनभर हरेक हप्ता प्रयोग गर्नुहुनेछ भने, त्यो groupby हो। कारोबार तालिकाको कल्पना गर्नुहोस्:

import pandas as pd

transactions = pd.DataFrame([
    {"vendor": "Khalti",  "amount": 5000, "date": "2026-06-25"},
    {"vendor": "eSewa",   "amount": 1200, "date": "2026-06-25"},
    {"vendor": "Khalti",  "amount":  450, "date": "2026-06-26"},
    {"vendor": "FonePay", "amount":  900, "date": "2026-06-26"},
])

प्रति विक्रेता रकमको योग निकाल्न:

transactions.groupby("vendor")["amount"].sum()

नतिजा:

vendor
Khalti    5450
eSewa     1200
FonePay    900
Name: amount, dtype: int64

शृङ्खलालाई बायाँदेखि दायाँ पढ्नुहोस्: तालिका लिनुहोस्, vendor को मानअनुसार समूहमा बाँड्नुहोस्, अनि हरेक समूहभित्र amount स्तम्भ लिनुहोस् र जोड्नुहोस्। तीन लाइनको मनसाय एउटै लाइनमा। अध्याय 2 को संस्करण (लूपभित्र if भएको फङ्क्सन) 12 लाइनको थियो। pandas संस्करण एउटै।

धेरै स्तम्भले समूहीकरण गर्न, र अरू सारांश (mean(), count(), max()) लागू गर्न पनि सकिन्छ:

transactions.groupby(["vendor", "date"])["amount"].sum()
transactions.groupby("vendor")["amount"].mean()
transactions.groupby("vendor")["amount"].count()

DataFrame लाई डिस्कमा फिर्ता बचाउने

तपाईं झन्डै सधैं नतिजा कतै लेख्न चाहनुहुनेछ। pandas ले रिडरसँगै राइटर पनि मिलाउँछ:

prices.to_csv("data/prices_out.csv", index=False)
prices.to_json("data/prices_out.json", orient="records", indent=2)

index=False ले अप्रत्यक्ष 0, 1, 2, ... सूचकाङ्कलाई बेकामको स्तम्भका रूपमा लेख्नबाट रोक्छ। orient="records" ले JSON लाई शब्दकोशहरूको सूची (अध्याय 2 को आकार) का रूपमा लेख्छ, जुन झन्डै सधैं तपाईंलाई चाहिने हुन्छ।

आफ्नो बुझाइ जाँच्नुहोस्

Quick check

—

DataFrame `sales` मा 'district' र 'amount' स्तम्भ छन्। कुन एक-लाइनरले प्रति जिल्ला कुल बिक्री दिन्छ?

1. Asales.sum('district', 'amount')
2. Bsales['amount'].groupby('district').sum()
3. Csales.groupby('district')['amount'].sum()
4. Dsales.total_by('district')

Check answer→

Quick check

—

तपाईंले `prices[prices['close'] > 2100 and prices['close'] < 2125]` लेख्नुभयो र pandas ले एरेको सत्य मानबारे ValueError फ्याँक्यो। उपचार के हो?

1. A`and` लाई `&` ले बदल्नुहोस् र हरेक सर्तलाई कोष्ठकमा बेर्नुहोस्: `(prices['close'] > 2100) & (prices['close'] < 2125)`।
2. B`prices.filter(close=2100..2125)` प्रयोग गर्नुहोस्।
3. Cदुई `[...]` फिल्टर शृङ्खलाबद्ध गर्नुहोस्: `prices[prices['close'] > 2100][prices['close'] < 2125]`।
4. Dपहिले `tolist()` ले स्तम्भलाई सूचीमा रूपान्तरण गर्नुहोस्।

Check answer→

अब के आउँछ

DataFrame मा सङ्ख्या उपयोगी छन्, तर मानिसले तालिकाभन्दा चित्र छिटो पढ्छन्। अर्को खण्डमा हामी matplotlib प्रयोग गरेर गणना गर्दै आएका मूल्यहरू कोर्छौं — लाइन चार्ट, बार चार्ट, स्क्याटर प्लट। एक पटक डाटा देख्न सक्नुभयो भने, वास्तविक डाटासेटका आधा बग आफै देखिन्छन्।