1. Learning Outcomes#

2. DataFrame म्हणजे नेमके काय?#

समजा आपल्याकडे students ची माहिती आहे.

ही माहिती naturally rows आणि columns मध्ये बसते.

प्रत्येक row एका student ची माहिती दाखवते.

प्रत्येक column एखाद्या specific field ची माहिती दाखवतो.

उदाहरणार्थ:

• name → student चे नाव
• age → student चे वय
• city → student कोणत्या शहरात आहे

Pandas मध्ये अशा two-dimensional tabular data साठी मुख्य object म्हणजे DataFrame.

Spreadsheet किंवा database table पाहिला असेल तर DataFrame ची basic कल्पना पटकन समजते.

पण DataFrame फक्त दिसायला table नाही.

त्याच्याकडे:

• row labels असतात
• column labels असतात
• प्रत्येक column चा data type असतो
• स्वतःचा आकार म्हणजे shape असतो
• structure बद्दल माहिती देणारे useful attributes असतात

हेच आपण या chapter मध्ये step-by-step समजून घेणार आहोत.

3. pd.DataFrame() — DataFrame तयार करण्याचा मुख्य constructor#

Pandas मध्ये DataFrame तयार करण्यासाठी आपण pd.DataFrame() वापरतो.

आधी pandas import केलेले असणे आवश्यक आहे.

import pandas as pd

इथे pd हे pandas साठी वापरलेले standard alias आहे.

सर्वात basic DataFrame असा तयार करता येतो:

df = pd.DataFrame()

हा DataFrame तयार झाला आहे, पण त्यामध्ये सध्या rows किंवा columns नाहीत.

म्हणून:

print(df.empty)

यामध्ये df.empty ची value True असते.

पण real-world मध्ये आपण बहुतेक वेळा pd.DataFrame() ला काही data देतो.

Data कुठल्या form मध्ये असू शकतो?

उदाहरणार्थ:

• Dictionary of Lists
• List of Dictionaries
• List of Lists
• NumPy Array

हे वेगवेगळे inputs एकाच DataFrame object मध्ये convert होऊ शकतात.

Visual मध्ये महत्त्वाची गोष्ट ही आहे की input ची structure वेगळी असली तरी अंतिम उद्देश एकच आहे:

data ला labelled rows आणि columns असलेल्या DataFrame मध्ये आणणे.

4. Dictionary of Lists मधून DataFrame तयार करणे#

हा DataFrame तयार करण्याचा खूप common आणि beginner-friendly मार्ग आहे.

समजा आपल्याकडे खालील dictionary आहे:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23, 22],
    "city": ["Pune", "Nashik", "Mumbai"]
}

इथे प्रत्येक dictionary key एक logical field दाखवत आहे.

• "name" → names चा column
• "age" → ages चा column
• "city" → cities चा column

आता DataFrame तयार करू:

import pandas as pd

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23, 22],
    "city": ["Pune", "Nashik", "Mumbai"]
}

df = pd.DataFrame(data)

print(df)

यामध्ये dictionary keys DataFrame चे column labels बनतात.

Conceptually DataFrame असा दिसतो:

इथे 0, 1, 2 हे default row index labels आहेत.

आपण ते explicitly दिलेले नाहीत.

Pandas ने ते automatically तयार केले.

Dictionary of Lists चा mental model#

Dictionary असा विचार करा:

column name → त्या column मधील values

उदाहरणार्थ:

"age" या key सोबत [21, 23, 22] ही list आहे.

म्हणजे age column मध्ये तीन values आहेत.

उदाहरणार्थ हे problematic आहे:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23]
}

name मध्ये तीन values आहेत.

पण age मध्ये दोनच values आहेत.

मग Pandas ला तिसऱ्या row च्या age साठी कोणती value वापरायची हे माहिती नाही.

म्हणून अशा mismatched lengths मुळे DataFrame construction fail होऊ शकते.

5. List of Dictionaries मधून DataFrame तयार करणे#

आता data कडे दुसऱ्या प्रकारे पाहू.

Dictionary of Lists मध्ये आपण असा विचार केला:

एक key = एक column

List of Dictionaries मध्ये प्रत्येक dictionary साधारणपणे एक row किंवा record represent करते.

उदाहरण:

students = [
    {"name": "Asha", "age": 21, "city": "Pune"},
    {"name": "Ravi", "age": 23, "city": "Nashik"},
    {"name": "Meera", "age": 22, "city": "Mumbai"}
]

df = pd.DataFrame(students)

इथे:

पहिली dictionary → पहिली row

दुसरी dictionary → दुसरी row

तिसरी dictionary → तिसरी row

Dictionary मधील keys:

• name
• age
• city

हे column labels बनतात.

Conceptually result:

Dictionary of Lists आणि List of Dictionaries मधला फरक#

दोन्हीमधून शेवटी समान प्रकारचा DataFrame तयार होऊ शकतो.

फरक फक्त source data कसा organised आहे यात आहे.

Practical applications मध्ये API किंवा JSON-style records पासून data मिळाला तर List of Dictionaries खूप natural असू शकते.

6. List of Lists मधून DataFrame तयार करणे#

आता आपल्याकडे data असा आहे:

students = [
    ["Asha", 21, "Pune"],
    ["Ravi", 23, "Nashik"],
    ["Meera", 22, "Mumbai"]
]

इथे प्रत्येक inner list एका row सारखी आहे.

पहिली row:

["Asha", 21, "Pune"]

दुसरी row:

["Ravi", 23, "Nashik"]

तिसरी row:

["Meera", 22, "Mumbai"]

DataFrame तयार करू:

df = pd.DataFrame(students)

DataFrame तयार होईल.

पण एक problem आहे.

Pandas ला "Asha" म्हणजे name, 21 म्हणजे age, आणि "Pune" म्हणजे city हे आपोआप कसे कळणार?

ते कळणार नाही.

म्हणून meaningful column names explicitly देणे चांगले.

df = pd.DataFrame(
    students,
    columns=["name", "age", "city"]
)

आता structure स्पष्ट आहे.

7. NumPy Array मधून DataFrame तयार करणे — Integration Use#

Data Science मध्ये NumPy आणि Pandas अनेकदा एकत्र वापरले जातात.

समजा NumPy array आधीच तयार आहे:

import numpy as np

scores = np.array([
    [101, 75],
    [102, 88],
    [103, 92]
])

इथे NumPy array मध्ये फक्त values आहेत.

Business meaning अजून स्पष्ट नाही.

पहिला column काय?

दुसरा column काय?

आपल्याला माहीत आहे:

• पहिला column → student ID
• दुसरा column → score

म्हणून DataFrame तयार करताना labels देऊ शकतो:

import pandas as pd
import numpy as np

scores = np.array([
    [101, 75],
    [102, 88],
    [103, 92]
])

df = pd.DataFrame(
    scores,
    columns=["student_id", "score"]
)

Conceptually:

NumPy array ने आपल्याला values दिल्या.

Pandas DataFrame ने त्या values भोवती meaningful row/column structure दिली.

इथे NumPy पुन्हा शिकण्याची गरज नाही.

आपल्याला फक्त एवढे समजायचे आहे की existing NumPy data ला pd.DataFrame() मध्ये input म्हणून देता येते.

8. Column Names देणे#

Column म्हणजे vertical field.

उदाहरणार्थ:

इथे:

• name
• age
• city

ही column names आहेत.

List of Lists किंवा NumPy Array सारख्या inputs मध्ये meaningful names explicit देण्यासाठी columns parameter वापरता येतो.

data = [
    ["Pen", 20],
    ["Notebook", 60],
    ["Bag", 900]
]

df = pd.DataFrame(
    data,
    columns=["product", "price"]
)

columns=["product", "price"] याचा अर्थ:

पहिली value → product

दुसरी value → price

Column names चांगली असतील तर पुढचे analysis समजणे खूप सोपे होते.

0, 1, 2 अशा default labels पेक्षा product, price, quantity अशा names चा अर्थ लगेच समजतो.

9. Custom Row Index Labels देणे#

Columns ना names असतात.

त्याचप्रमाणे rows ना देखील labels असू शकतात.

त्या row labels च्या collection ला DataFrame चा index म्हणतात.

Default DataFrame मध्ये index बहुतेक वेळा असा दिसतो:

0, 1, 2, ...

पण आपल्याला custom labels हवे असतील तर index parameter वापरता येतो.

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "score": [75, 88, 92]
}

df = pd.DataFrame(
    data,
    index=["student_1", "student_2", "student_3"]
)

Conceptually:

इथे student_1, student_2, student_3 या actual data columns नाहीत.

त्या rows चे labels आहेत.

हा फरक खूप महत्त्वाचा आहे.

Custom index labels ची संख्या rows च्या संख्येशी जुळली पाहिजे.

तीन rows असतील तर तीन index labels देणे अपेक्षित आहे.

10. DataFrame चे Rows, Columns आणि Index#

आता DataFrame चे anatomy visually पाहू.

खालील visual मध्ये Index नावाचा left-side helper column फक्त row labels समजावण्यासाठी दाखवला आहे.

या figure मधून तीन गोष्टी वेगळ्या करा:

Row#

Horizontal record म्हणजे row.

उदाहरणार्थ:

Asha | 21 | Pune

ही एका student ची row आहे.

Column#

Vertical field म्हणजे column.

उदाहरणार्थ age column मध्ये:

21, 23, 22

या values आहेत.

Index#

प्रत्येक row ला identify करणारा label म्हणजे index label.

Default:

0, 1, 2

Custom:

student_1, student_2, student_3

हे तीन concepts स्पष्ट झाले तर पुढचे Pandas operations खूप सोपे वाटतात.

11. DataFrame चा index तपासणे#

DataFrame च्या row labels पाहण्यासाठी:

df.index

वापरतो.

उदाहरण:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "score": [75, 88, 92]
}

df = pd.DataFrame(
    data,
    index=["s1", "s2", "s3"]
)

print(df.index)

df.index आपल्याला row-label structure देते.

Beginner साठी values अधिक सहज पाहायच्या असतील तर:

print(list(df.index))

यातून conceptually:

['s1', 's2', 's3']

मिळेल.

इथे महत्त्वाचे काय?

index rows शी संबंधित आहे.

Columns शी नाही.

12. DataFrame चे columns तपासणे#

Column labels पाहण्यासाठी:

df.columns

उदाहरण:

data = {
    "name": ["Asha", "Ravi"],
    "age": [21, 23],
    "city": ["Pune", "Nashik"]
}

df = pd.DataFrame(data)

print(df.columns)

Beginner-friendly form मध्ये:

print(list(df.columns))

Conceptually:

['name', 'age', 'city']

म्हणजे DataFrame मध्ये कोणते fields उपलब्ध आहेत हे columns मधून समजू शकते.

13. DataFrame चा shape तपासणे#

DataFrame किती मोठा आहे?

किती rows आहेत?

किती columns आहेत?

यासाठी shape वापरतो.

df.shape

समजा DataFrame मध्ये 3 rows आणि 3 columns आहेत.

मग:

df.shape

ची value:

(3, 3)

अशी असेल.

पहिली संख्या → rows

दुसरी संख्या → columns

म्हणजे:

shape = (rows, columns)

उदाहरण:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23, 22],
    "city": ["Pune", "Nashik", "Mumbai"]
}

df = pd.DataFrame(data)

print(df.shape)

इथे DataFrame मध्ये:

• 3 rows
• 3 columns

आहेत.

म्हणून shape 3 × 3 आहे.

14. Total Elements तपासण्यासाठी size#

shape आपल्याला dimensions सांगतो.

पण एकूण किती data cells आहेत हे जाणून घ्यायचे असेल तर size वापरता येतो.

df.size

समजा:

df.shape → (3, 3)

तर:

3 rows × 3 columns = 9 elements

म्हणून:

df.size → 9

उदाहरण:

print(df.shape)
print(df.size)

Shape आणि size मधील फरक:

15. Column Data Types तपासण्यासाठी dtypes#

DataFrame मध्ये प्रत्येक column मध्ये कोणत्या प्रकारचा data आहे हे समजणे खूप महत्त्वाचे आहे.

यासाठी:

df.dtypes

वापरतो.

उदाहरण:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23, 22],
    "passed": [True, True, False]
}

df = pd.DataFrame(data)

print(df.dtypes)

इथे logically:

• name → text-like values
• age → integer values
• passed → boolean values

अशा वेगवेगळ्या प्रकारचे columns आहेत.

Exact displayed dtype names काही cases मध्ये Pandas version, configuration आणि input representation नुसार बदलू शकतात.

पण beginner म्हणून मुख्य concept हे आहे:

dtypes प्रत्येक column चा inferred/stored data type दाखवतो.

16. Heterogeneous Column Data Types म्हणजे काय?#

heterogeneous हा शब्द सुरुवातीला मोठा वाटतो.

पण idea अगदी सोपी आहे.

समजा आपला DataFrame असा आहे:

इथे:

• name → text
• age → integer-like
• salary → decimal numeric
• active → boolean

सगळ्या columns मध्ये एकाच प्रकारचा data असण्याची गरज नाही.

यालाच आपण साध्या भाषेत heterogeneous column data types म्हणू शकतो.

म्हणजे:

एका DataFrame मधील वेगवेगळ्या columns चे data types वेगवेगळे असू शकतात.

हे DataFrame चे practical strength आहे.

Real-world business data मध्ये एका table मध्ये नाव, तारीख, quantity, price, status अशा अनेक प्रकारची माहिती एकत्र असते.

17. DataFrame empty आहे का ते तपासणे#

DataFrame मध्ये structural data आहे की नाही हे पटकन तपासण्यासाठी:

df.empty

वापरतो.

हा boolean attribute आहे.

म्हणजे result:

True

किंवा:

False

असा असतो.

Empty DataFrame#

df = pd.DataFrame()

print(df.empty)

इथे df.empty → True

कारण DataFrame कडे rows आणि columns चा usable structure नाही.

Non-empty DataFrame#

df = pd.DataFrame({
    "name": ["Asha"]
})

print(df.empty)

इथे df.empty → False

कारण DataFrame मध्ये row आणि column आहेत.

उदाहरणार्थ DataFrame मध्ये rows आणि columns अस्तित्वात असतील, पण values missing असतील, तरी तो फक्त त्या कारणामुळे automatically empty होत नाही.

Missing data आपण वेगळ्या topic मध्ये व्यवस्थित हाताळतो.

18. Basic DataFrame Structure कशी inspect करायची?#

Unknown DataFrame हातात आला की लगेच complex analysis सुरू करण्यापेक्षा आधी त्याची basic structure समजून घ्या.

"घाईचे काम शैतानाचे" हे data analysis मध्येही लागू पडते.

Basic inspection साठी आपण या chapter मधील attributes वापरू शकतो:

print(df.index)
print(df.columns)
print(df.shape)
print(df.size)
print(df.dtypes)
print(df.empty)

प्रत्येकाचा वेगळा purpose आहे.

ही एक useful inspection sequence आहे:

पहिल्यांदा labels समजून घ्या.

नंतर dimensions.

नंतर data types.

आणि मग basic structural state.

या चार गोष्टींमुळे DataFrame बद्दल सुरुवातीचा mental picture तयार होतो.

19. एक Complete Mini Example#

आता या chapter मधील मुख्य ideas एकत्र वापरू.

आपल्याकडे employees चा data आहे:

import pandas as pd

employees = [
    ["Asha", 25, 45000.50, True],
    ["Ravi", 28, 52000.00, False],
    ["Meera", 26, 48000.75, True]
]

df = pd.DataFrame(
    employees,
    columns=["name", "age", "salary", "active"],
    index=["emp_101", "emp_102", "emp_103"]
)

इथे आपण काय केले?

पहिले:

employees हा List of Lists आहे.

प्रत्येक inner list एक employee row represent करते.

नंतर:

columns=["name", "age", "salary", "active"]

देऊन प्रत्येक position ला meaning दिला.

त्यानंतर:

index=["emp_101", "emp_102", "emp_103"]

देऊन प्रत्येक employee row ला custom label दिला.

आता basic inspection:

print(list(df.index))
print(list(df.columns))
print(df.shape)
print(df.size)
print(df.dtypes)
print(df.empty)

यामधून आपण logically खालील गोष्टी समजू शकतो:

size का 12?

कारण:

3 rows × 4 columns = 12 cells

Index labels या calculation मध्ये data columns म्हणून count होत नाहीत.

हा point विशेष लक्षात ठेवा.

20. Common Mistakes#

Mistake 1 — Dictionary मधील lists ची length mismatch ठेवणे#

Problem:

data = {
    "name": ["Asha", "Ravi", "Meera"],
    "age": [21, 23]
}

एक column तीन rows सुचवतो.

दुसरा column दोन rows सुचवतो.

Normal rectangular DataFrame तयार करताना हे inconsistent आहे.

Mistake 2 — List of Lists वापरून column names न देणे#

data = [
    ["Asha", 21],
    ["Ravi", 23]
]

df = pd.DataFrame(data)

हे valid असू शकते.

पण columns ला default positional labels मिळतील.

Learner किंवा developer साठी name, age यांसारखी meaningful labels अधिक useful असतात.

Mistake 3 — index ला normal column समजणे#

Custom index:

index=["s1", "s2"]

हा row labeling mechanism आहे.

तो automatically regular data column होत नाही.

Mistake 4 — shape आणि size सारखेच आहेत असे समजणे#

shape → dimensions

size → total elements

उदाहरण:

shape = (5, 3)

तर:

size = 15

Mistake 5 — dtypes म्हणजे पूर्ण DataFrame चा एकच data type असे समजणे#

DataFrame मध्ये प्रत्येक column चा dtype वेगळा असू शकतो.

म्हणून dtypes plural आहे.

Mistake 6 — empty म्हणजे missing values आहेत असे समजणे#

df.empty missing-value detector नाही.

तो DataFrame ची structural emptiness तपासतो.

21. Interview Preparation#

22. या Chapter मधून नेमके काय लक्षात ठेवायचे?#

• pd.DataFrame() हा DataFrame तयार करण्याचा मुख्य constructor आहे.
• Dictionary of Lists मध्ये प्रत्येक key साधारणपणे एक column बनते.
• List of Dictionaries मध्ये प्रत्येक dictionary साधारणपणे एक row बनते.
• List of Lists मध्ये प्रत्येक inner list एक row बनू शकते.
• NumPy Array मधील values DataFrame मध्ये आणून meaningful column labels देता येतात.
• columns parameter column labels देतो.
• index parameter row labels देतो.
• df.index row labels दाखवतो.
• df.columns column labels दाखवतो.
• df.shape (rows, columns) सांगतो.
• df.size total data elements सांगतो.
• df.dtypes प्रत्येक column चा data type सांगतो.
• DataFrame च्या वेगवेगळ्या columns चे dtypes वेगवेगळे असू शकतात.
• df.empty हा structural emptiness check आहे.
• Unknown DataFrame वर काम सुरू करण्यापूर्वी labels, shape, size, dtypes आणि empty state समजून घेणे ही चांगली habit आहे.