# pandas Riferimento Rapido

*DataFrame, selezione, aggregazione, unione e altro*

> Source: pandas Documentation (pandas.pydata.org) · MIT

## DataFrame

### Creazione di DataFrame

```
import pandas as pd
df = pd.DataFrame({
    "name": ["Alice", "Bob", "Carol"],
    "age": [25, 30, 35],
    "score": [88, 92, 79]
})
```

### Ispezione

| Command | Description |
|---------|-------------|
| `df.head(n)` | Prime n righe (default 5) |
| `df.tail(n)` | Ultime n righe |
| `df.shape` | Tupla di (righe, colonne) |
| `df.dtypes` | Tipo di dato di ogni colonna |
| `df.info()` | Tipi colonne, conteggi non-null |
| `df.describe()` | Statistiche per colonne numeriche |
| `df.columns` | Nomi delle colonne come Index |
| `df.index` | Etichette delle righe |

## Lettura Dati

### Lettori Comuni

```
df = pd.read_csv("data.csv")
df = pd.read_excel("data.xlsx")
df = pd.read_json("data.json")
df = pd.read_sql(query, connection)
```

### Scrittura Dati

```
df.to_csv("out.csv", index=False)
df.to_excel("out.xlsx", index=False)
df.to_json("out.json", orient="records")
```

### Opzioni di Lettura

| Command | Description |
|---------|-------------|
| `sep=";"` | Delimitatore personalizzato |
| `header=None` | Nessuna riga di intestazione nel file |
| `usecols=[0,2]` | Legge solo colonne specifiche |
| `nrows=100` | Legge le prime 100 righe |
| `na_values=["N/A"]` | Tratta come NaN |

## Selezione

### Colonne

```
df["name"]              # colonna singola (Series)
df[["name", "age"]]     # colonne multiple (DataFrame)
df.name                 # accesso attributo (nomi semplici)
```

### Righe con loc / iloc

```
df.loc[0]              # riga per etichetta
df.loc[0:2, "name"]    # righe 0-2, colonna "name"
df.iloc[0]             # riga per posizione
df.iloc[0:2, 0:2]     # prime 2 righe, 2 colonne
```

### loc vs iloc

| Command | Description |
|---------|-------------|
| `df.loc[row, col]` | Seleziona per **etichetta** (fine inclusa) |
| `df.iloc[row, col]` | Seleziona per **posizione** (fine esclusa) |
| `df.at[row, col]` | Accesso scalare veloce per etichetta |
| `df.iat[row, col]` | Accesso scalare veloce per posizione |

## Filtraggio

### Filtraggio Booleano

```
df[df["age"] > 25]
df[df["name"].str.contains("li")]
df[(df["age"] > 25) & (df["score"] > 80)]
df[df["name"].isin(["Alice", "Bob"])]
```

### Gestione dei Dati Mancanti

```
df.isna().sum()          # conteggio NaN per colonna
df.dropna()              # rimuovi righe con NaN
df.fillna(0)             # riempi NaN con 0
df["col"].fillna(df["col"].mean())
```

### Ordinamento

```
df.sort_values("age")                # crescente
df.sort_values("age", ascending=False)
df.sort_values(["age", "score"])      # multiplo
```

## Aggregazione

### Aggregazioni Comuni

| Command | Description |
|---------|-------------|
| `df["col"].sum()` | Somma della colonna |
| `df["col"].mean()` | Media |
| `df["col"].median()` | Mediana |
| `df["col"].std()` | Deviazione standard |
| `df["col"].min() / .max()` | Minimo / massimo |
| `df["col"].count()` | Conteggio non-null |
| `df["col"].nunique()` | Numero di valori unici |
| `df["col"].value_counts()` | Frequenza di ogni valore |

### Aggregazioni Multiple

```
df.agg({"age": "mean", "score": ["min", "max"]})
df.describe()  # statistiche sommario per tutti i numerici
```

## GroupBy

### Raggruppamento di Base

```
df.groupby("dept")["salary"].mean()
df.groupby("dept").agg(
    avg_sal=("salary", "mean"),
    count=("salary", "count")
)
```

### Gruppi Multipli

```
df.groupby(["dept", "year"])["sales"].sum()
df.groupby("dept").size()  # righe per gruppo
```

### Transform e Apply

```
df["z_score"] = df.groupby("dept")["salary"] \
    .transform(lambda x: (x - x.mean()) / x.std())
df.groupby("dept").apply(lambda g: g.nlargest(3, "salary"))
```

## Unione

### Merge (Join in stile SQL)

```
pd.merge(df1, df2, on="id")          # inner
pd.merge(df1, df2, on="id", how="left")
pd.merge(df1, df2, left_on="uid",
         right_on="user_id")
```

### Tipi di Join

| Command | Description |
|---------|-------------|
| `how="inner"` | Mantiene solo le righe corrispondenti (default) |
| `how="left"` | Mantiene tutte le righe sinistra, NaN se non c'è corrispondenza |
| `how="right"` | Mantiene tutte le righe destra |
| `how="outer"` | Mantiene tutte le righe da entrambi i lati |

### Concatenazione

```
pd.concat([df1, df2])             # impila righe
pd.concat([df1, df2], axis=1)     # affiancato
pd.concat([df1, df2], ignore_index=True)
```

## Tabelle Pivot

### Tabella Pivot

```
df.pivot_table(
    values="sales", index="region",
    columns="quarter", aggfunc="sum"
)
```

### Reshaping

```
df.melt(id_vars=["name"],
        value_vars=["q1", "q2"],
        var_name="quarter", value_name="sales")
```

### Tabulazione Incrociata

```
pd.crosstab(df["dept"], df["gender"])
pd.crosstab(df["dept"], df["gender"],
            normalize="index")  # percentuali per riga
```

## Serie Temporali

### Basi di DateTime

```
df["date"] = pd.to_datetime(df["date"])
df["year"] = df["date"].dt.year
df["month"] = df["date"].dt.month
df["weekday"] = df["date"].dt.day_name()
```

### Intervalli di Date e Ricampionamento

```
pd.date_range("2025-01-01", periods=12, freq="ME")
df.set_index("date").resample("ME")["sales"].sum()
```

### Attributi dell'Accessor

| Command | Description |
|---------|-------------|
| `.dt.year / .dt.month / .dt.day` | Estrae componenti della data |
| `.dt.hour / .dt.minute` | Estrae componenti dell'ora |
| `.dt.day_name()` | Nome del giorno della settimana (Lunedì, ecc.) |
| `.dt.days_in_month` | Giorni nel mese |

## Pattern Comuni

### Rinomina Colonne

```
df.rename(columns={"old": "new"})
df.columns = ["a", "b", "c"]  # sostituisce tutte
```

### Aggiunge / Modifica Colonne

```
df["total"] = df["q1"] + df["q2"]
df["grade"] = df["score"].apply(
    lambda x: "A" if x >= 90 else "B"
)
```

### Rimuove Colonne / Righe

```
df.drop(columns=["temp"])
df.drop_duplicates(subset=["name"])
df.reset_index(drop=True)
```

### Operazioni su Stringhe

```
df["name"].str.lower()
df["name"].str.contains("ali", case=False)
df["name"].str.split(" ").str[0]  # primo nome
```