Pros y Contras de pandas python

Su facilidad de instalación e integración con el resto de mis aplicaciones creadas en python es algo bastante útil y práctico, el hecho de que me permita realizar análisis de datos de una manera mucho más sencilla, precisa y segura es algo que en última instancia le da un gran plus a mis desarrollos, el hecho de que soporte un número múltiple de archivos y ficheros es algo de gran utilidad cuando tengo los datos en diferentes formatos de archivo, por lo que al no tener uso exclusivo de un solo formato la entrada de datos puede ser mucho más completa, su facilidad de uso e implementación es tan simple que incluso personas que no son expertas en análisis de datos pueden realizar este tipo de tareas sin ningún problema, la precisión de los resultados es algo realmente sorprendente y de hecho permite tomar decisiones valiosas dentro de la empresa. Reseña recopilada por y alojada en G2.com.

Su curva de aprendizaje puede ser un poco lenta al principio, pero sin embargo, después de acostumbrarse a usar la aplicación, te das cuenta de que todo es realmente simple, fácil y rápido, a veces se quedaba atascado, aunque no estoy seguro si era por la aplicación en sí o por mi procesador. Reseña recopilada por y alojada en G2.com.

Este lenguaje de programación tiene una curva de aprendizaje, pero me gusta mucho que una vez que lo aprendes, es bastante fácil de recordar. Pandas tiene un lenguaje bastante simple para escribir y codificar, pero al igual que con cualquier otra programación, debes tener cuidado con tu lenguaje para que funcione correctamente. Reseña recopilada por y alojada en G2.com.

No me gusta que sea difícil guardar mi programación en una memoria USB. Sé que se guarda en internet, pero me gusta tener una copia de seguridad. Reseña recopilada por y alojada en G2.com.

Pandas es muy útil y fácil de usar. Ofrece un rendimiento muy alto. Es muy fácil de instalar y configurar. Podemos leer varios tipos de archivos con él, como ssv, xls, etc. Facilita mucho el análisis de datos y podemos jugar con el conjunto de datos para obtener el máximo conocimiento de él gracias a sus diversas funciones y características útiles. Reseña recopilada por y alojada en G2.com.

Pandas Python es una de las mejores herramientas, pero a veces toma mucho tiempo para conjuntos de datos grandes. Reseña recopilada por y alojada en G2.com.

Pandas es una gran herramienta para visualizar, importar y analizar datos en muchos formatos. Su soporte para diferentes formatos de archivo y sus comandos autoexplicativos lo hacen fácil de usar incluso para un usuario inexperto. Las conversiones de un dataframe de pandas a matrices numpy también son otra gran característica de Pandas, ya que no todas las otras bibliotecas de Python tienen soporte para Pandas. Tienen una página de documentación realmente rica y útil. Su base de usuarios es enorme en comparación con otras bibliotecas similares. Reseña recopilada por y alojada en G2.com.

Pandas no es excelente en el manejo de memoria. Importa todos los archivos incluso si solo necesitas un par de filas de un archivo. Tampoco admite la multiprocesamiento y sus funciones solo se ejecutan en la CPU, no en la GPU. Otra cosa que no me gusta de Pandas son sus mensajes de error. Por ejemplo, KeyError cuando no puede encontrar la columna especificada en el dataframe. Este tipo de errores deben proporcionar mensajes de error amigables en lugar de mensajes robóticos como 'KeyError 'some_column'. Reseña recopilada por y alojada en G2.com.

Pandas de Python se utiliza para generar datos estructurados a partir de datos no estructurados como los datos JSON. Reseña recopilada por y alojada en G2.com.

Lo más desagradable es que en pandas los datos están estructurados de manera lenta. Reseña recopilada por y alojada en G2.com.

Fácil de aprender y entender. Aprendiéndolo con bastante facilidad. Reseña recopilada por y alojada en G2.com.

A veces se queda atascado sin razón y también es difícil usar la GPU de AMD. Reseña recopilada por y alojada en G2.com.

Lo mejor de los pandas es que podemos realizar operaciones de análisis de datos con ellos en la finalización del proceso de ciencia de datos. Tiene un par de funciones para realizar operaciones sobre el marco de datos (es decir, array o matriz). Reseña recopilada por y alojada en G2.com.

Esto no es algo que no me guste de los pandas. Es un requisito del análisis que esto debería tener la función de optimización de memoria. Reseña recopilada por y alojada en G2.com.

podemos realizar la operación de ciencia de datos a continuación podemos hacer limpieza de datos con esta biblioteca de python podemos hacer preprocesamiento de datos y mucho más. Reseña recopilada por y alojada en G2.com.

Esto requiere un poco más de memoria para procesar los datos masivos que deberían ser optimizados. También debería ser compatible con versiones. Reseña recopilada por y alojada en G2.com.

- Facilidad de uso: Puedo simplemente leer un archivo escribiendo read_excel('name.xlsx') y eso es todo.

- Capacidad para gestionar todo tipo de datos para todo tipo de necesidades. ¿Tienes datos con múltiples índices y quieres ordenarlos de manera jerárquica? No hay problema, pandas tiene una solución para eso, al igual que para todo lo que haces.

- Está basado en NumPy, por lo que funciona de manera muy eficiente gracias al fondo vectorizado, lo cual es muy valioso cuando se trabaja con una gran cantidad de datos.

- También está basado en Matplotlib, lo que hace que la visualización sea muy conveniente. Puedo simplemente escribir df['data'].hist() para trazar un histograma o df['data'].plot() para un gráfico de líneas o df['data'].plot(kind = 'bar') para un gráfico de barras, sin tener que lidiar con muchos parámetros. Reseña recopilada por y alojada en G2.com.

Aunque es genial tener matplotlib en el fondo de pandas, algunas características de matplotlib no están exactamente disponibles en pandas, por lo que tenemos que usar matplotlib en su lugar. Poder usar todas las características de matplotlib sería agradable. Reseña recopilada por y alojada en G2.com.