Телеграм канал «Постоянный репозиторий по Python»

🐼 Почему info() — одна из самых полезных команд в Pandas

Когда вы загружаете новый датасет, возникает соблазн сразу открыть первые строки:
df.head()
Это действительно полезно.
Но опытные аналитики почти сразу после этого выполняют ещё одну команду:
df.info()

Почему именно info()?
Всего одна команда позволяет за несколько секунд понять структуру всего датасета.
Она показывает:
- количество строк;
- количество столбцов;
- названия столбцов;
- тип данных каждого столбца;
- количество непустых значений;
- объём памяти, занимаемый DataFrame.

То есть вы сразу видите общую картину, не просматривая данные вручную.

Что можно обнаружить за минуту?
Очень часто info() помогает найти проблемы ещё до начала анализа.
Например:
✅ числовой столбец оказался строкой (object);
✅ часть данных отсутствует;
✅ даты не распознаны как даты;
✅ в таблице намного больше данных, чем ожидалось.

Все эти проблемы лучше заметить в самом начале, чем искать ошибки спустя несколько часов. Особенно полезно смотреть на типы данных

Допустим, столбец price хранится как object, а не как float.
Это может означать:
- в данных есть лишние символы;
- используется неправильный разделитель;
- встречаются некорректные значения.

Пока тип данных не исправлен, многие вычисления работать не будут.
💡 Полезная привычка
После чтения нового файла я обычно выполняю всего три команды:
df.head()
df.info()
df.describe()
Этого достаточно, чтобы за пару минут получить первое представление о данных и понять, в каком направлении двигаться дальше.

Карьерные треки АИС: готовые маршруты обучения со скидкой 20%

Академия Информационных Систем запустила карьерные треки — курсы сразу объединены под конкретные профессиональные роли.

📖 Сейчас доступны направления:
— разработка на Python;
— DevOps и контейнеры;
— BI и аналитика;
— PostgreSQL и базы данных.

В каждом направлении можно выбрать уровень подготовки: начальный, продвинутый или комплексный. Например, для Python доступны треки от подготовки Python-разработчика данных до продвинутого Python-разработчика с ИИ; в направлении DevOps — обучение работе с Kubernetes и контейнерными платформами, а также трек для DevOps-инженеров инфраструктуры.

При покупке карьерного трека действует скидка до 20%.

Выберите направление и готовый маршрут обучения под профессиональные задачи 🌟

🐼 Знаете ли вы, что value_counts() умеет гораздо больше, чем просто считать значения?

Когда знакомятся с Pandas, value_counts() обычно используют только для того, чтобы узнать, сколько раз встречается каждое значение.

Например:
df["city"].value_counts()
Получаем количество записей для каждого города.
Но многие даже не догадываются, что этим возможности метода не ограничиваются.
Посчитать не количество, а долю

Достаточно добавить один параметр:
df["city"].value_counts(normalize=True)
Теперь вместо количества Pandas вернёт долю каждого значения. Это особенно удобно, когда нужно быстро оценить распределение данных.

Включить пропущенные значения
По умолчанию NaN не учитываются.
Но иногда именно их количество представляет наибольший интерес.
df["city"].value_counts(dropna=False)
Теперь в результат попадут и пропущенные значения.

Отсортировать по алфавиту
Обычно value_counts() сортирует значения по частоте.
Если нужен порядок по самим значениям:
df["city"].value_counts().sort_index()
Где это реально полезно?
value_counts() — один из первых методов, который стоит запускать после загрузки нового датасета.

За несколько секунд можно понять:
- какие категории встречаются чаще всего;
- есть ли редкие значения;
- насколько данные сбалансированы;
- много ли пропусков.

Очень часто именно с этого начинается исследовательский анализ данных (EDA).

💡 Полезный совет
Если вы открыли новый CSV-файл и не знаете, с чего начать анализ, сначала выполните value_counts() для категориальных столбцов.

Иногда уже на этом этапе удаётся обнаружить:
- ошибки в написании категорий;
- лишние пробелы;
- неожиданные значения;
- проблемы с качеством данных.

На практике этот метод используется значительно чаще, чем кажется на первый взгляд.

«МЫ КОМАНДА»: пройдите обучение в 4 квартале 2026 года и получите корпоративную скидку 30%.

Условия акции:
— от 5 сотрудников на одном курсе — скидка 30% каждому участнику;
— от 5 сотрудников на разных курсах — скидка 20% каждому участнику.

Скидка действует на все курсы Академии Информационных Систем, включая программы вендоров.
Можно выбрать одну программу для всей команды или направить сотрудников на разные курсы в зависимости от их профессиональных задач.

Акция действует с 1 октября по 31 декабря 2026 года.
Скидки по акциям не суммируются.

Соберите команду и развивайте компетенции сотрудников на выгодных условиях!