Pandas Syllabus

سیلابس Pandas – یک راهنمای جامع

۱. مقدمه‌ای بر Pandas

• Pandas چیست؟
• نصب Pandas (pip install pandas)
• وارد کردن Pandas
• آشنایی با Series و DataFrame

۲. ساختارهای داده در Pandas

• Series: ایجاد، اندیس‌گذاری، برش (Slicing)، عملیات
• DataFrame: ایجاد، اندیس‌گذاری، انتخاب داده‌ها (ردیف‌ها و ستون‌ها)
• ایجاد DataFrame از لیست‌ها، دیکشنری‌ها، آرایه‌های NumPy، فایل‌های CSV و Excel

۳. عملیات ورودی و خروجی

• خواندن CSV (pd.read_csv())
• ذخیره CSV (df.to_csv())
• خواندن Excel (pd.read_excel())
• ذخیره Excel (df.to_excel())
• خواندن JSON (pd.read_json())
• ذخیره JSON (df.to_json())

۴. انتخاب و فیلتر کردن داده‌ها

• انتخاب ردیف‌ها و ستون‌ها (.loc[], .iloc[])
• فیلتر کردن با شرط‌ها
• استفاده از اندیس‌گذاری بولی (Boolean Indexing)
• استفاده از متد query()

۵. پاکسازی داده و مدیریت مقادیر نامعتبر

• بررسی و مدیریت داده‌های گمشده (isna(), dropna(), fillna())
• جایگزینی مقادیر (replace())
• حذف مقادیر تکراری (drop_duplicates())
• تغییر نوع داده‌ها (astype())
• مدیریت داده‌های نامتناسـب

۶. تغییر و تبدیل داده‌ها

• تغییر نام ستون‌ها (rename())
• تغییر اندیس (set_index(), reset_index())
• مرتب‌سازی (sort_values(), sort_index())
• اعمال توابع (apply(), map(), applymap())
• عملیات روی رشته‌ها (str.contains(), str.replace())

۷. گروه‌بندی و تجمیع داده‌ها

• گروه‌بندی داده‌ها (groupby())
• توابع تجمیعی (sum(), mean(), count(), agg())
• جداول محوری (pivot_table())

۸. ادغام، الحاق و ترکیب داده‌ها

• ترکیب DataFrame‌ها با concat()
• انجام عملیات merge() مشابه SQL (ترکیب داخلی، خارجی، چپ و راست)
• ترکیب داده‌ها با join() بر اساس ایندکس

۹. کار با داده‌های سری زمانی

• مدیریت داده‌های زمانی (to_datetime())
• تنظیم زمان به عنوان اندیس
• بازنمونه‌گیری (Resampling) داده‌های سری زمانی

۱۰. مصورسازی داده‌ها با Pandas

• رسم نمودارهای پایه با plot()
• نمودارهای خطی، میله‌ای، هیستوگرام، پراکندگی
• ادغام Pandas با Matplotlib و Seaborn

۱۱. ویژگی‌های پیشرفته Pandas

• چند ایندکسی (Multi-indexing)
• توابع پنجره‌ای (rolling(), expanding())
• کار با مجموعه داده‌های بزرگ (dask, modin)

۱۲. بهینه‌سازی عملکرد در Pandas

• مدیریت کارآمد داده‌های حجیم
• استفاده از نوع داده categorical
• مقایسه عملکرد عملیات برداری (Vectorized Operations) با حلقه‌ها

۱۳. کاربردهای عملی و پروژه‌ها

• تحلیل داده با Pandas
• وب اسکریپینگ و پاکسازی داده
• تحلیل داده‌های مالی
• آماده‌سازی داده برای یادگیری ماشین