Pandas — Guida Didattica

01Fondamenti

Cos'è un DataFrame?

Pandas è la libreria Python per lavorare con dati tabellari: righe e colonne, proprio come un foglio Excel. La struttura principale si chiama DataFrame, e ogni singola colonna è una Series.

import pandas as pd

dati = {
    "nome": ["Anna", "Luca", "Sara"],
    "voto": [8, 6, 9]
}
df = pd.DataFrame(dati)
print(df)
#     nome  voto
# 0   Anna     8
# 1   Luca     6
# 2   Sara     9

02Operazioni Fondamentali

📥 Caricare dati▶

Pandas legge facilmente file CSV, Excel e JSON direttamente in un DataFrame.

df = pd.read_csv("vendite.csv") df = pd.read_excel("dati.xlsx")

🔍 Esplorazione rapida▶

.head() mostra le prime righe, .info() riassume tipi e valori mancanti, .describe() calcola statistiche di base per le colonne numeriche.

🧹 Pulizia dati▶

I dati reali spesso hanno valori mancanti (NaN) o duplicati. Pandas offre strumenti dedicati per gestirli.

df.dropna() # rimuove righe con valori mancanti df.fillna(0) # sostituisce i mancanti con 0 df.drop_duplicates() # rimuove righe duplicate

🎯 Filtri e selezioni▶

Puoi selezionare colonne specifiche o righe che rispettano una condizione, proprio come una query.

df["nome"] # una colonna df[df["voto"] > 7] # righe con voto maggiore di 7

📊 Aggregazioni e raggruppamenti▶

groupby() permette di raggruppare i dati per categoria e calcolare statistiche per ogni gruppo, un'operazione centrale nell'analisi dati.

df.groupby("classe")["voto"].mean()

03Checklist Pratica

Spunta ogni passaggio man mano che lo completi: sbloccherai l'attestato di questa guida al termine.

Esempio per il punto 1

dati = {
    "nome": ["Anna", "Luca", "Sara", "Marco"],
    "materia": ["Python", "Python", "Excel", "Excel"],
    "voto": [8, 6, 9, 7]
}
df = pd.DataFrame(dati)

1. Crea un DataFrameDa un dizionario con almeno 3 colonne e 4 righe di dati, come nell'esempio sopra.

Esempio per il punto 2

print(df.head())      # prime righe
print(df.info())      # tipi e valori mancanti
print(df.describe())  # statistiche colonne numeriche

2. Esplora il DataFrameUsa .head(), .info() e .describe() sul tuo DataFrame, come nell'esempio sopra.

Esempio per il punto 3

promossi = df[df["voto"] > 7]
print(promossi)

3. Filtra i datiSeleziona solo le righe che rispettano una condizione (es. voto > 7), come nell'esempio sopra.

Esempio per il punto 4

df.loc[1, "voto"] = None   # introduciamo un valore mancante
print(df.dropna())          # rimuove le righe con NaN
print(df.fillna(0))          # sostituisce NaN con 0

4. Gestisci valori mancantiIntroduci un valore mancante e gestiscilo con .dropna() o .fillna(), come nell'esempio sopra.

5. Completa il quiz di verificaScendi in fondo alla guida e rispondi correttamente ad almeno l'80% delle domande.

04Glossario Interattivo

Tocca ogni termine per vederne la definizione.

05Quiz di Verifica

06Esercitazioni Pratiche

Esercizio 1

Il registro di classe

Crea un DataFrame con nome, materia e voto per 6 studenti. Filtra e stampa solo gli studenti con voto >= 7, poi ordina per voto decrescente.

⏱ 20 minuti📦 DataFrame + 2 operazioni stampate🖥️ Individuale

Esercizio 2

Pulizia di un dataset con buchi

Crea un DataFrame con almeno una cella mancante (usa None o np.nan). Mostra il DataFrame con .info(), poi applica sia dropna() che fillna() e confronta i risultati.

⏱ 20 minuti📦 3 versioni del DataFrame confrontate🖥️ Individuale

Esercizio 3

Trova l'errore: la colonna inesistente

Questo codice genera un errore: df["Voto"] quando in realtà la colonna si chiama "voto" (minuscolo). Spiega perché Pandas è sensibile a maiuscole/minuscole e come evitare l'errore.

⏱ 10 minuti📦 Spiegazione scritta + codice corretto🖥️ Individuale o in coppia

🎓 Attestato di completamento

Completa tutti i 5 passaggi della checklist per sbloccare il tuo attestato in PDF.

0 / 5 passaggi completati