Cổng Khoa học Máy tính dành cho những người yêu thích máy tính. Nó bao gồm các bài báo về khoa học máy tính và lập trình được viết tốt, tư duy tốt và được giải thích tốt, các câu đố và thực hành / lập trình cạnh tranh / các câu hỏi phỏng vấn công ty.

Bạn đang xem : khung dữ liệu python là gì

Python | Pandas DataFrame

Pandas DataFrame là cấu trúc dữ liệu dạng bảng có thể thay đổi kích thước hai chiều, có khả năng không đồng nhất với các trục được gắn nhãn (hàng và cột). Khung dữ liệu là cấu trúc dữ liệu hai chiều, tức là dữ liệu được căn chỉnh theo kiểu bảng trong các hàng và cột. Pandas DataFrame bao gồm ba thành phần chính, dữ liệu , hàng cột .

Chúng ta sẽ có được thông tin chi tiết ngắn gọn về tất cả các thao tác cơ bản này có thể được thực hiện trên Pandas DataFrame:

Tạo Pandas DataFrame

Trong thế giới thực, Pandas DataFrame sẽ được tạo bằng cách tải các tập dữ liệu từ bộ nhớ hiện có, bộ lưu trữ có thể là Cơ sở dữ liệu SQL, tệp CSV và tệp Excel. Pandas DataFrame có thể được tạo từ danh sách, từ điển và từ danh sách từ điển, v.v. Khung dữ liệu có thể được tạo theo nhiều cách khác nhau, đây là một số cách mà chúng tôi tạo khung dữ liệu:

Tạo khung dữ liệu bằng Danh sách : DataFrame có thể được tạo bằng một danh sách hoặc một danh sách.


# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd

# danh sách các chuỗi
lst = ['Geeks', 'For', 'Geeks', 'is',
            'cổng thông tin', 'cho', 'Geeks']

# Gọi hàm tạo DataFrame trên danh sách
df = pd.DataFrame (lst)
in (df)

Đầu ra:

Tạo DataFrame từ dict of ndarray / danh sách : Để tạo DataFrame từ dict của narray / list, tất cả các narray phải có cùng độ dài. Nếu chỉ mục được thông qua thì chỉ số độ dài phải bằng độ dài của mảng. Nếu không có chỉ mục nào được chuyển, thì theo mặc định, chỉ mục sẽ là range (n) trong đó n là độ dài mảng.

# Mã Python chứng minh việc tạo
# DataFrame từ dict narray / danh sách
# Theo địa chỉ mặc định.

nhập gấu trúc dưới dạng pd

# intialise dữ liệu của danh sách.
data = {'Name': ['Tom', 'nick', 'krish', 'jack'],
        'Tuổi': [20, 21, 19, 18]}

# Tạo DataFrame
df = pd.DataFrame (dữ liệu)

# In đầu ra.
in (df)

Đầu ra:

Để biết thêm chi tiết, hãy tham khảo Tạo khung dữ liệu gấu trúc

Khung dữ liệu là cấu trúc dữ liệu hai chiều, tức là dữ liệu được căn chỉnh theo kiểu bảng trong các hàng và cột. Chúng tôi có thể thực hiện các thao tác cơ bản trên hàng / cột như chọn, xóa, thêm và đổi tên.

Chọn cột : Theo thứ tự để chọn một cột trong Pandas DataFrame, chúng ta có thể truy cập các cột bằng cách gọi chúng bằng tên cột của chúng.

# Nhập gói gấu trúc
nhập gấu trúc dưới dạng pd

# Xác định từ điển chứa dữ liệu nhân viên
data = {'Name': ['Jai', 'Princi', 'Gaurav', 'Anuj'],
        'Tuổi': [27, 24, 22, 32],
        'Địa chỉ': ['Delhi', 'Kanpur', 'Allahabad', 'Kannauj'],
        'Trình độ chuyên môn': ['Msc', 'MA', 'MCA', 'Phd']}

# Chuyển từ điển thành DataFrame
df = pd.DataFrame (dữ liệu)

# chọn hai cột
print (df [['Name', 'Qualification']])

Đầu ra:

Chọn hàng : Pandas cung cấp một phương pháp duy nhất để truy xuất các hàng từ khung Dữ liệu. Phương thức DataFrame.loc [] được sử dụng để truy xuất các hàng từ Pandas DataFrame. Các hàng cũng có thể được chọn bằng cách chuyển vị trí số nguyên đến một hàm iloc [] .

Lưu ý: Chúng tôi sẽ sử dụng Tệp nba.csv trong các ví dụ dưới đây.

# nhập gói gấu trúc
nhập gấu trúc dưới dạng pd

# tạo khung dữ liệu từ tệp csv
data = pd.read_csv ("nba.csv", index_col = "Tên")

# truy xuất hàng bằng phương pháp loc
first = data.loc ["Avery Bradley"]
second = data.loc ["R.J. Hunter"]


in (đầu tiên, "\ n \ n \ n", thứ hai)

Kết quả:
Như được hiển thị trong hình ảnh đầu ra, hai chuỗi được trả về vì cả hai lần chỉ có một tham số.

Để biết thêm Chi tiết, hãy tham khảo Xử lý hàng và cột

Lập chỉ mục theo gấu trúc có nghĩa là chỉ cần chọn các hàng và cột cụ thể của dữ liệu từ DataFrame. Lập chỉ mục có thể có nghĩa là chọn tất cả các hàng và một số cột, một số hàng và tất cả các cột hoặc một số trong mỗi hàng và cột. Lập chỉ mục còn có thể được gọi là Lựa chọn tập hợp con .

Lập chỉ mục Khung dữ liệu bằng toán tử lập chỉ mục [] :
Toán tử lập chỉ mục được sử dụng để chỉ các dấu ngoặc vuông theo sau một đối tượng. Các trình chỉ mục .loc .iloc cũng sử dụng toán tử lập chỉ mục để thực hiện các lựa chọn. Trong toán tử lập chỉ mục này để chỉ df [].

Chọn một cột duy nhất

Để chọn một cột, chúng ta chỉ cần đặt tên của cột đó ở giữa các dấu ngoặc

# nhập gói gấu trúc
nhập gấu trúc dưới dạng pd

# tạo khung dữ liệu từ tệp csv
data = pd.read_csv ("nba.csv", index_col = "Tên")

# truy xuất cột bằng toán tử lập chỉ mục
đầu tiên = data ["Tuổi"]



in (đầu tiên)


Đầu ra:

Lập chỉ mục DataFrame bằng .loc [] < / span> :
Hàm này chọn dữ liệu theo nhãn của các hàng và cột. Trình lập chỉ mục df.loc chọn dữ liệu theo một cách khác chứ không chỉ toán tử lập chỉ mục. Nó có thể chọn tập hợp con của các hàng hoặc cột. Nó cũng có thể chọn đồng thời các tập hợp con của hàng và cột.

Chọn một hàng duy nhất

Để chọn một hàng duy nhất bằng cách sử dụng .loc [] , chúng tôi đặt một nhãn hàng trong hàm .loc .

# nhập gói gấu trúc
nhập gấu trúc dưới dạng pd

# tạo khung dữ liệu từ tệp csv
data = pd.read_csv ("nba.csv", index_col = "Tên")

# truy xuất hàng bằng phương pháp loc
first = data.loc ["Avery Bradley"]
second = data.loc ["R.J. Hunter"]


in (đầu tiên, "\ n \ n \ n", thứ hai)

Kết quả:
Như được hiển thị trong hình ảnh đầu ra, hai chuỗi được trả về vì cả hai lần chỉ có một tham số.

Lập chỉ mục DataFrame bằng .iloc [] :
Chức năng này cho phép chúng tôi truy xuất các hàng và các cột theo vị trí. Để làm được điều đó, chúng tôi sẽ cần chỉ định vị trí của các hàng mà chúng tôi muốn và cả vị trí của các cột mà chúng tôi muốn. Trình chỉ mục df.iloc rất giống với df.loc nhưng chỉ sử dụng các vị trí số nguyên để thực hiện các lựa chọn của nó.

Chọn một hàng duy nhất

Để chọn một hàng đơn lẻ bằng cách sử dụng .iloc [] , chúng ta có thể chuyển một số nguyên duy nhất vào hàm .iloc [] .

nhập gấu trúc dưới dạng pd

# tạo khung dữ liệu từ tệp csv
data = pd.read_csv ("nba.csv", index_col = "Tên")


# truy xuất hàng bằng phương thức iloc
row2 = data.iloc [3]



in (hàng2)

Đầu ra:

Để biết thêm chi tiết, hãy tham khảo

Dữ liệu bị thiếu có thể xảy ra khi không có thông tin nào được cung cấp cho một hoặc nhiều mục hoặc cho cả một đơn vị. Thiếu dữ liệu là một vấn đề rất lớn trong kịch bản cuộc sống thực. Dữ liệu bị thiếu cũng có thể được gọi là giá trị NA (Không khả dụng) trong gấu trúc.

Kiểm tra các giá trị bị thiếu bằng cách sử dụng isnull () notnull (): < / code>
Để kiểm tra các giá trị bị thiếu trong Pandas DataFrame, chúng tôi sử dụng hàm isnull () notnull () . Cả hai chức năng đều giúp kiểm tra xem một giá trị có phải là NaN hay không. Hàm này cũng có thể được sử dụng trong Chuỗi Pandas để tìm các giá trị rỗng trong một chuỗi.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd

# nhập numpy dưới dạng np
nhập numpy dưới dạng np

# từ điển danh sách
dict = {'Điểm đầu tiên': [100, 90, np.nan, 95],
        'Điểm thứ hai': [30, 45, 56, np.nan],
        'Điểm thứ ba': [np.nan, 40, 80, 98]}

# tạo khung dữ liệu từ danh sách
df = pd.DataFrame (dict)

# sử dụng hàm isnull ()
df.isnull ()

Đầu ra:

Điền các giá trị còn thiếu bằng cách sử dụng fillna () , Replace () interpolate ():
Để điền các giá trị null vào tập dữ liệu, chúng tôi sử dụng fillna () Chức năng , Replace () interpolate () này thay thế các giá trị NaN bằng một số giá trị của riêng chúng. Tất cả những hàm này giúp điền giá trị null vào tập dữ liệu của DataFrame. Hàm Interpolate () về cơ bản được sử dụng để điền các giá trị NA trong khung dữ liệu nhưng nó sử dụng nhiều kỹ thuật nội suy khác nhau để lấp đầy các giá trị bị thiếu thay vì mã hóa cứng giá trị.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd

# nhập numpy dưới dạng np
nhập numpy dưới dạng np

# từ điển danh sách
dict = {'Điểm đầu tiên': [100, 90, np.nan, 95],
        'Điểm thứ hai': [30, 45, 56, np.nan],
        'Điểm thứ ba': [np.nan, 40, 80, 98]}

# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)

# điền giá trị còn thiếu bằng fillna ()
df.fillna (0)


Đầu ra:

Giảm các giá trị bị thiếu bằng cách sử dụng dropna () :
Để loại bỏ các giá trị null khỏi khung dữ liệu, chúng tôi đã sử dụng hàm dropna () này để thả các dòng / cột của tập dữ liệu có giá trị Null theo các cách khác nhau.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd

# nhập numpy dưới dạng np
nhập numpy dưới dạng np

# từ điển danh sách
dict = {'Điểm đầu tiên': [100, 90, np.nan, 95],
        'Điểm thứ hai': [30, np.nan, 45, 56],
        'Điểm thứ ba': [52, 40, 80, 98],
        'Điểm thứ tư': [np.nan, np.nan, np.nan, 65]}

# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)
  
df


Bây giờ chúng ta thả các hàng có ít nhất một giá trị Nan (giá trị Null)

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd

# nhập numpy dưới dạng np
nhập numpy dưới dạng np

# từ điển danh sách
dict = {'Điểm đầu tiên': [100, 90, np.nan, 95],
        'Điểm thứ hai': [30, np.nan, 45, 56],
        'Điểm thứ ba': [52, 40, 80, 98],
        'Điểm thứ tư': [np.nan, np.nan, np.nan, 65]}

# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)

# sử dụng hàm dropna ()
df.dropna ()

Đầu ra:

Để biết thêm chi tiết, hãy tham khảo Làm việc với Dữ liệu bị Thiếu trong Gấu trúc < / span>

Lặp lại là một thuật ngữ chung để chỉ từng mục của một cái gì đó, cái khác. Pandas DataFrame bao gồm các hàng và cột, vì vậy, để lặp lại qua khung dữ liệu, chúng tôi phải lặp lại khung dữ liệu giống như một từ điển.

Lặp lại các hàng:
Theo thứ tự để lặp qua các hàng, chúng ta có thể sử dụng ba hàm iteritems () , iterrows () , itertuples () . Ba hàm này sẽ giúp lặp lại các hàng.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd
 
# từ điển danh sách
dict = {'name': ["aparna", "pankaj", "sudhir", "Geeku"],
        'bằng cấp': ["MBA", "BCA", "M.Tech", "MBA"],
        'điểm': [90, 40, 80, 98]}

# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)

in (df)


Bây giờ chúng tôi áp dụng hàm iterrows () để lấy từng phần tử của hàng.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd
 
# từ điển danh sách
dict = {'name': ["aparna", "pankaj", "sudhir", "Geeku"],
        'bằng cấp': ["MBA", "BCA", "M.Tech", "MBA"],
        'điểm': [90, 40, 80, 98]}

# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)

# lặp qua các hàng bằng hàm iterrows ()
cho i, j trong df.iterrows ():
    in (i, j)
    in()

Đầu ra:

Lặp lại các cột:
Để lặp qua các cột, chúng ta cần tạo danh sách các cột khung dữ liệu và sau đó lặp lại qua danh sách đó để kéo ra các cột khung dữ liệu.

# nhập gấu trúc dưới dạng pd
nhập gấu trúc dưới dạng pd
  
# từ điển danh sách
dict = {'name': ["aparna", "pankaj", "sudhir", "Geeku"],
        'bằng cấp': ["MBA", "BCA", "M.Tech", "MBA"],
        'điểm': [90, 40, 80, 98]}
 
# tạo khung dữ liệu từ từ điển
df = pd.DataFrame (dict)

in (df)


Bây giờ chúng ta lặp qua các cột để lặp qua các cột, trước tiên chúng ta tạo danh sách các cột khung dữ liệu và sau đó lặp qua danh sách.

# tạo danh sách các cột khung dữ liệu
cột = danh sách (df)

cho tôi trong các cột:

    # in phần tử thứ ba của cột
    print (df [i] [2])

Đầu ra:

Để biết thêm chi tiết, hãy tham khảo Lặp lại các hàng và cột trong Pandas DataFrame

Phương thức DataFrame:

FunctionDescription index () Phương thức trả về chỉ mục (nhãn hàng) của DataFrame < strong> insert () Phương thức chèn một cột vào DataFrame thêm () Phương thức trả về phần bổ sung khung dữ liệu và phần tử khác, khôn ngoan (thêm toán tử nhị phân) sub () < / strong> Phương thức trả về phép trừ khung dữ liệu và phần tử khác, khôn ngoan (toán tử nhị phân phụ) mul () Phương thức trả về phép nhân của khung dữ liệu và các phần tử khác, khôn ngoan (toán tử nhị phân hoặc mul) div () Phương thức trả về phép chia động của khung dữ liệu và phần tử khác (toán tử nhị phân truediv) unique () Phương thức trích xuất các giá trị duy nhất trong khung dữ liệu nunique () Phương thức trả về tổng số các giá trị duy nhất trong phương thức dataframe value_counts () đếm số lần mỗi giá trị duy nhất xuất hiện trong Chuỗi cột () Phương thức trả về các nhãn cột của các trục DataFrame () < / strong> Phương thức trả về danh sách đại diện cho các trục của DataFrame isnull () Phương thức tạo một Chuỗi Boolean để trích xuất các hàng có rỗng giá trị notnull () Phương thức tạo Chuỗi Boolean để trích xuất các hàng có giá trị không phải null between () Phương thức trích xuất các hàng trong đó giá trị cột nằm giữa phạm vi được xác định trước isin () Phương thức trích xuất các hàng từ DataFrame trong đó giá trị cột tồn tại trong tập hợp được xác định trước dtypes ( ) Phương thức trả về một Chuỗi với kiểu dữ liệu của mỗi cột. Chỉ mục của kết quả là các cột gốc của DataFrame astype () Phương pháp chuyển đổi các loại dữ liệu trong Chuỗi giá trị () < / strong> Phương thức trả về một biểu diễn Numpy của DataFrame, tức là chỉ các giá trị trong DataFrame mới được trả về, các nhãn trục sẽ bị xóa sort_values ​​() - Set1 < / span>, Set2 Phương pháp sắp xếp khung dữ liệu theo thứ tự Tăng dần hoặc Giảm dần của mục tiêu Cột sort_index () Phương thức sắp xếp các giá trị trong DataFrame dựa trên vị trí chỉ mục hoặc nhãn của chúng thay vì giá trị của chúng nhưng đôi khi khung dữ liệu được tạo từ hai hoặc nhiều khung dữ liệu và do đó chỉ mục sau này có thể được thay đổi bằng phương pháp này loc [] Phương thức truy xuất các hàng dựa trên nhãn chỉ mục iloc [] Phương thức truy xuất các hàng dựa trên vị trí chỉ mục ix [] Phương thức truy xuất các hàng DataFrame dựa trên nhãn chỉ mục hoặc vị trí chỉ mục. Phương pháp này kết hợp các tính năng tốt nhất của phương thức .loc [] và .iloc [] rename () Phương thức được gọi trên một DataFrame để thay đổi tên của nhãn chỉ mục hoặc tên cột column () Phương thức là một thuộc tính thay thế để thay đổi tên màu drop ( ) Phương thức được sử dụng để xóa các hàng hoặc cột khỏi DataFrame pop () Phương thức được sử dụng để xóa các hàng hoặc cột khỏi DataFrame sample () Phương thức lấy ra một mẫu ngẫu nhiên của các hàng hoặc cột từ DataFrame nsmallest () Phương thức kéo ra các hàng có giá trị nhỏ nhất trong cột nlargest () Phương pháp kéo ra các hàng có giá trị lớn nhất trong mục tiêu cột shape () Phương thức trả về một bộ giá trị đại diện cho kích thước của DataFrame ndim () < / strong> Phương thức trả về 'int' đại diện cho số trục / kích thước mảng.
Trả về 1 nếu Chuỗi, ngược lại trả về 2 nếu DataFrame dropna ( ) Phương pháp cho phép người dùng phân tích và thả Hàng / Cột có giá trị Null theo các cách khác nhau fillna () < / strong> Method quản lý và cho phép người dùng thay thế các giá trị NaN bằng một số giá trị của rank () Các giá trị trong Chuỗi có thể được xếp hạng theo thứ tự với phương pháp này query () Phương thức là cú pháp dựa trên chuỗi thay thế để trích xuất một tập hợp con từ DataFrame < strong> copy () Phương pháp tạo một bản sao độc lập của gấu trúc object trùng lặp () Phương thức tạo một Chuỗi Boolean và sử dụng nó để trích xuất các hàng có giá trị trùng lặp drop_duplicates () Phương pháp là một tùy chọn thay thế để xác định các hàng trùng lặp và xóa chúng thông qua lọc Phương thức set_index () đặt chỉ mục DataFrame (nhãn hàng) bằng cách sử dụng một hoặc nhiều cột hiện có reset_index () < / strong> Phương thức đặt lại chỉ mục của Khung dữ liệu. Phương pháp này đặt danh sách các số nguyên có độ dài từ 0 đến độ dài dữ liệu dưới dạng chỉ mục where () Phương thức được sử dụng để kiểm tra dữ liệu Định khung cho một hoặc nhiều điều kiện và trả về kết quả tương ứng. Theo mặc định, các hàng không thỏa mãn điều kiện được điền bằng giá trị NaN

Thêm trên Pandas

Ghi chú cá nhân của tôi


Xem thêm những thông tin liên quan đến chủ đề khung dữ liệu python là gì

Python 17. Kiểu dữ liệu List trong Lập trình Python

alt

  • Tác giả: TITV
  • Ngày đăng: 2021-12-01
  • Đánh giá: 4 ⭐ ( 9350 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: ★ Xem source code, nội dung và các đường link trong video hướng dẫn tại đây LậpTrìnhPython: https://bit.ly/3CoDLtZ
    ★ Ủng hộ phát triển kênh: Momo,ZaloPay,ViettelPay: 0374568701 / STK: 109005606811 Vietinbank – CTK: Le Nhat Tung.
    ★ Khóa học Lập trình Python: bao gồm tất cả nội dung kiến thức cơ bản về Python, Các thuật toán, Lập trình hướng đối tượng Python, Cấu trúc dữ liệu, Xử lý tập tin trong, Lập trình giao diện.
    Khóa học này cung cấp phần lớn kiến thức và kỹ năng về ngôn ngữ lập trình Python và là bước đệm cho các lập trình viên muốn tìm hiểu sâu về Python.
    Khóa học này phù hợp cho các bạn mới bắt đầu học Lập trình Python, hoặc các bạn muốn ôn tập lại kiến thức một cách hệ thống và mạch lạc để chuẩn bị đi làm.
    ★ Bạn cũng có thể tìm thấy các khóa học về ngôn ngữ khác tại đây: https://www.youtube.com/c/TITVvn
    ★ Cácn bạn vui lòng đăng ký kênh (Subscribe) và chia sẻ video (Share) đến các bạn cùng lớp nhé.
    ★ Diễn đàn hỏi đáp: https://www.facebook.com/groups/titv.vn
    ★ Facebook: https://www.facebook.com/tung.lenhat
    ★ Website: http://titv.vn, http://titv.edu.vn
    =================================
    ✩ Hộp thư đóng góp ý kiến hoặc ý tưởng: lenhattung@gmail.com
    =================================
    © Bản quyền thuộc về TITV ☞ Vui lòng không đăng tải lại Video từ kênh này
    © Copyright by TITV Channel ☞ Do not Re-up

Giới thiệu về Matplotlib (một thư viện rất hữu ích của Python dùng để vẽ đồ thị)

  • Tác giả: viblo.asia
  • Đánh giá: 5 ⭐ ( 3035 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Matplotlib Để thực hiện các suy luận thống kê cần thiết, cần phải trực quan hóa dữ liệu của bạn và Matplotlib là một trong những giải pháp như vậy cho người dùng Python. Nó là một thư viện vẽ đồ thị...

Python: Những điều cần biết về Data types và Data structures trong Python?

  • Tác giả: texmath.com
  • Đánh giá: 5 ⭐ ( 4658 lượt đánh giá )
  • Khớp với kết quả tìm kiếm:

Xử lý dữ liệu với Pandas trong Python

  • Tác giả: codelearn.io
  • Đánh giá: 4 ⭐ ( 5392 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Pandas là một thư viện của Ngôn ngữ lập trình Python cung cấp các cấu trúc dữ liệu nhanh, mạnh mẽ, linh hoạt và dễ sử dụng.

Các kiểu dữ liệu trong Python

  • Tác giả: mylop.edu.vn
  • Đánh giá: 3 ⭐ ( 2346 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trong bài này mình sẽ giới thiệu các kiểu dữ liệu trong Python, qua bài này bạn sẽ hiểu được cách sử dụng các kiểu dữ liệu thường dùng nhất của Python.

Python là gì? 13 lý do bạn nên học ngôn ngữ lập trình Python

  • Tác giả: ironhackvietnam.edu.vn
  • Đánh giá: 3 ⭐ ( 2537 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Python là gì? Tại sao nên học ngôn ngữ lập trình Python ngay lúc này? Hãy tìm hiểu ngay 13 lý do Ironhack Việt Nam tổng hợp dưới đây nhé.

Các cấu trúc dữ liệu trong Python bạn cần học

  • Tác giả: growupwork.com
  • Đánh giá: 3 ⭐ ( 2038 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Dữ liệu đóng một vai trò rất quan trọng, điều đó có nghĩa là dữ liệu này cần được lưu trữ hiệu quả và việc truy cập nó phải kịp thời.

Xem thêm các bài viết khác thuộc chuyên mục: Kiến thức lập trình

Xem Thêm  SQL if then else - if then else sql

By ads_php