Thư viện pandas python là gì? Nó có thể giúp bạn những gì và làm sao để sử dụng thư viện pandas này trong lập trình python. Hãy cùng tôi đi tìm câu trả lời cho các thắc mắc trên trong nội dung ngày ngày hôm nay. Tôi tin rằng đây là một nội dung cực kỳ hữu ích. Nó chắc nịch sẽ mang lại cho các bạn nhiều tri thức có ích và quản lý được cách sử dụng thư viện này.
Toàn thể source code hướng dẫn của bài học bạn có thể xem và tải về tại đây.
Thư viện pandas python là gì?
Thư viện pandas trong python là một thư viện mã nguồn mở, trợ giúp đắc lực trong thao tác dữ liệu. Đây cũng là bộ dụng cụ phân tích và xử lý dữ liệu mạnh mẽ của từ ngữ lập trình python. Thư viện này được sử dụng rộng rãi trong cả phân tích lẫn phát triển các ứng dụng về khoa học dữ liệu. Thư viện này sử dụng một cấu trúc dữ liệu riêng là Dataframe. Pandas phân phối rất nhiều công dụng xử lý và làm việc trên cấu trúc dữ liệu này. Chính sự linh hoạt và hiệu quả đã làm cho pandas được sử dụng rộng rãi.
Vì sao lại dùng thư viện pandas?
- DataFrame mang lại sự linh hoạt và hiệu quả trong thao tác dữ liệu và lập chỉ mục;
- Là một dụng cụ cho phép đọc/ ghi dữ liệu giữa bộ nhớ lưu trữ và nhiều định dạng file: csv, text, excel, sql database, hdf5;
- Link dữ liệu thông minh, xử lý được trường hợp dữ liệu bị thiếu. Tự động mang dữ liệu lộn xộn về dạng có cấu trúc;
- Đơn giản thay đổi bố cục của dữ liệu;
- Tích hợp cơ chế trượt, lập chỉ mục, lấy ra tập con từ tập dữ liệu lớn.
- Có thể thêm, xóa các cột dữ liệu;
- Tập hợp hoặc thay đổi dữ liệu với group by cho phép bạn thực hiện các toán tử trên tập dữ liệu;
- Hiệu quả cao trong trộn và phối hợp các tập dữ liệu;
- Lập chỉ mục theo các chiều của dữ liệu giúp thao tác giữa dữ liệu cao chiều và dữ liệu thấp chiều;
- Tối ưu về hiệu năng;
- Pandas được sử dụng rộng rãi trong cả học thuật và thương mại. Bao gồm thống kê, thương mại, phân tích, quảng cáo,…
Để setup thư viện Pandas, bạn có thể làm theo vài cách khác nhau theo tài liệu hướng dẫn:
- Sử dụng pip
1
2
pip
install
pandas
- Sử dụng conda
1
2
conda
install
pandas
Lúc này tất cả chúng ta sẽ khởi đầu học cách sử dụng thư viện pandas python. Nhưng trước khi khởi đầu, hãy import thư viện pandas nhé. Tất cả chúng ta sẽ dùng cả thư viện matplotlib nữa.
Nếu bạn chưa biết về thư viện matplotlib, hãy đọc nội dung này trước nhé.
1
2
3
4
5
6
7
# Render our plots inline
%
matplotlib
inline
import
pandas
as
pd
import
matplotlib
.
pyplot
as
plt
import
random
Đọc file csv sử dụng thư viện pandas
Đọc csv file vào dataframe
Bạn có thể đơn giản đọc vào một file .csv bằng cách sử dụng hàm read_csv
và được trả về 1 dataframe. Mặc định, hàm này sẽ phân biệt các trường của file csv theo dấu phẩy. Cách đọc hết sức đơn giản như sau:
1
2
peoples_df
=
pd
.
read_csv
(
‘./people.csv’
)
Bạn có thể in ra n bản ghi trước hết của dataframe sử dụng hàm head
. Trái lại của hàm head
là hàm tail
1
2
peoples_df
.
head
(
5
)
Và kết quả in ra có dạng như sau:
Tuy nhiên, bạn cũng sẽ phải lưu ý một vài tham số của hàm read_csv
như:
- encoding: chỉ định encoding của file đọc vào. Mặc định là utf-8.
- sep: thay đổi dấu ngăn cách giữa các cột. Mặc định là dấu phẩy (‘,’)
- header: chỉ định file đọc vào có header(tiêu đề của các cột) hay không. Mặc định là infer.
- index_col: chỉ định chỉ số cột nào là cột chỉ số(số thứ tự). Mặc định là None.
- nrows: chỉ định số bản ghi sẽ đọc vào. Mặc định là None – đọc toàn thể.
1
2
3
peoples_df
=
pd
.
read_csv
(
‘./people.csv’
,
encoding
=
‘utf-8’
,
header
=
None
,
sep
=
‘,’
)
peoples_df
.
head
(
5
)
Khi tôi chỉ định không có header, dòng header của tất cả chúng ta đã biến thành 1 bản ghi dữ liệu:
Độc giả có thể xem mô tả đầy đủ từng tham số của hàm read_csv
của thư viện pandas python tại đây.
Thao tác với dataframe trong pandas
Khi độc giả file csv như phía trên, peoples_df
sẽ là một đối tượng có hàng, cột gọi là DataFrame. Vậy nếu bạn muốn lấy giá trị theo hàng hoặc cột rõ ràng và cụ thể nào đó thì làm như nào?
Thư viện pandas python phân phối rất nhiều hàm hữu ích cho phép bạn thao tác với đối tượng dữ liệu dataframe này. Hãy cùng tôi đi tìm tòi sự hay ho này nhé.
Xem thông tin của dataframe
Bạn có thể xem thông tin của dataframe vừa đọc vào bằng cách sử dụng hàm .info()
hoặc xem kích thước của dataframe này với tính chất shape
. Rõ ràng như sau:
1
2
3
4
5
6
7
# Xem chiều dài của df, tương tự shape[0]
(
‘Len:’
,
len
(
peoples_df
)
)
# Xem thông tin dataframe vừa đọc được
peoples_df
.
info
(
)
# Xem kích thước của dataframe
(
‘Shape:’
,
peoples_df
.
shape
)
Và đây là những gì tất cả chúng ta sẽ thấy:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Len
:
40
<
class
‘pandas.core.frame.DataFrame’
>
RangeIndex
:
40
entries
,
to
39
Data
columns
(
total
11
columns
)
:
person_ID
40
non
–
null
int64
name
40
non
–
null
object
first
40
non
–
null
object
last
40
non
–
null
object
middle
15
non
–
null
object
thư điện tử
40
non
–
null
object
phone
40
non
–
null
object
fax
40
non
–
null
object
title
40
non
–
null
object
age
40
non
–
null
int64
is_young
40
non
–
null
bool
dtypes
:
bool
(
1
)
,
int64
(
2
)
,
object
(
8
)
memory
usage
:
3.2
+
KB
Shape
:
(
40
,
11
)
Truy xuất dữ liệu trên dataframe
Lấy 1 cột theo tên cột
Để chỉ định cột muốn lấy, bạn chỉ cần truyền vào tên cột như sau:
1
2
peoples_df
[
‘name’
]
Lấy theo nhiều cột
Thay vì truyền vào 1 string thì hãy truyền vào 1 list các tên cột. Mình thêm .head(5)
để chỉ in ra 5 bản ghi trước hết cho ngắn, mặc định sẽ lấy hết.
1
2
peoples_df
[
[
‘name’
,
‘age’
]
]
.
head
(
5
)
Lấy bản ghi theo chỉ số
Để lấy một hoặc nhiều bản ghi liên tiếp trong dataframe, sử dụng cơ chế trượt theo chỉ số giống như trên list trong python. Lấy 5 bản ghi trước hết:
1
2
peoples_df
[
:
5
]
Trong trường hợp này kết quả giống như hàm head phía trên. Đều là lấy 5 bản ghi trước hết.
Bạn cũng có thể phối hợp lấy theo hàng và cột muốn:
1
2
peoples_df
[
[
‘name’
,
‘age’
]
]
[
:
5
]
Lấy các bản ghi theo điều kiện
1
2
3
young_pp
=
peoples_df
[
peoples_df
[
‘age’
]
<
25
]
young_pp
[
:
5
]
Một ví dụ khác: Lấy toàn bộ các bản ghi chứa thông tin của người có chức danh là giáo sư:
1
2
3
professor
=
peoples_df
[
peoples_df
.
title
==
‘Professor’
]
professor
.
head
(
5
)
Hoặc 1 ví dụ so sánh chuỗi như sau:
1
2
3
name_compare
=
peoples_df
[
‘name’
]
.
str
.
contains
(
‘Rosella’
)
name_compare
.
head
(
5
)
Kết quả thu được là một dataframe có 1 cột chưa 2 giá trị True hoặc False
1
2
3
4
5
6
7
True
1
False
2
False
3
False
4
False
Name
:
name
,
dtype
:
bool
Lấy giá trị trả về numpy arrays
Để lấy giá trị của một cột trả về dưới dạng numpy array trong thư viện pandas python, bạn chỉ cần thêm .values
vào sau, ví dụ:
1
2
peoples_df
[
‘name’
]
.
values
Output bạn thu được như sau:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
array
(
[
‘Burks, Rosella ‘
,
‘Avila, Damien ‘
,
‘Olsen, Robin ‘
,
‘Moises, Edgar Estes’
,
‘Brian, Heath Pruitt’
,
‘Claude, Elvin Haney’
,
‘Mosley, Edmund ‘
,
‘Derek, Antoine Mccoy’
,
‘Hawkins, Callie ‘
,
‘Pate, Andrea ‘
,
‘Austin, Liz ‘
,
‘Kendrick, Reba Alford’
,
‘Sims, Angelina ‘
,
‘Mullins, Kimberly ‘
,
‘Chuck, Lloyd Haney’
,
‘Payne, Ladonna ‘
,
‘Baxter, Johnathan Browning’
,
‘Weiss, Gilbert ‘
,
‘Deirdre, Florence Barrera’
,
‘Fernando, Toby Calderon’
,
‘Garrison, Patrica ‘
,
‘Effie, Leila Vinson’
,
‘Buckley, Rose ‘
,
‘Stanton, Kathie ‘
,
‘Banks, Shannon ‘
,
‘Barnes, Cleo ‘
,
‘Brady, Nellie ‘
,
‘Katheryn, Ruben Holt’
,
‘Michael, Dianne ‘
,
‘Grant, Adam ‘
,
‘Head, Kurtis ‘
,
‘Berger, Jami ‘
,
‘Earline, Jaime Fitzgerald’
,
‘Evelyn, Summer Frost’
,
‘Quentin, Sam Hyde’
,
‘Dunlap, Ann ‘
,
‘Shields, Rich Pena’
,
‘Page, Winnie ‘
,
‘Sparks, Ezra ‘
,
‘Kaufman, Elba ‘
]
,
dtype
=
object
)
Nếu bạn quan tâm tới numpy array, hãy đọc bài hướng dẫn về numpy của tôi tại đây nhé.
Thêm, sửa, xóa trong dataframe
Thêm cột từ dữ liệu mới
Để thêm cột vào một dataframe có sẵn. Trước tiên, bạn phải có 1 list
dữ liệu tương ứng với cột mà bạn muốn thêm. Tức là chiều dài của list phải tương ứng với số bản ghi của dataframe bạn muốn thêm.
Ở đây, tôi sẽ sử dụng thư viện random để sinh ngẫu nhiên một list năm sinh và thêm vào dataframe như sau:
1
2
3
4
5
df_len
=
len
(
peoples_df
)
birthday
=
[
random
.
randrange
(
1980
,
2000
,
1
)
for
i
in
range
(
df_len
)
]
peoples_df
[
‘birthday’
]
=
birthday
peoples_df
.
tail
(
5
)
Thêm cột dựa vào dữ liệu đã có
Giả sử ở đây mình muốn thêm cột is_young
có giá trị True nếu tuổi < 25 và False trong trường hợp sót lại.
1
2
3
peoples_df
[
‘is_young’
]
=
peoples_df
[
‘age’
]
<
25
peoples_df
.
head
(
5
)
Khởi tạo cột mới có giá trị rỗng
Sử dụng cú pháp đơn giản như dưới đây, bạn sẽ có một trường mới và toàn bộ các giá trị là None
1
2
peoples_df
[
‘new_column’
]
=
None
Thêm bản ghi trong dataframe
Về vấn đề thêm bản ghi, tất cả chúng ta thường ít khi sử dụng nên tôi sẽ không trình bày. Độc giả quan tâm có thể tham khảo thêm tại tài liệu này.
Sửa giá trị của cột
Để sửa giá trị của 1 cột, bạn làm tương tự như thêm mới cột. Nhưng khác với thêm ở chỗ là tên cột bạn truyền vào đã có trong dataframe. Còn thêm là 1 tên trường mới hoàn toàn chưa có. Ví dụ, bạn muốn thay đổi trường name, bạn chỉ cần làm như sau:
1
2
3
4
peoples_df
[
‘name’
]
=
xxx
#list các tên mới có chiều dài bằng chiều dài của dataframe
// Hoặc reset trường name về None
peoples_df
[
‘name’
]
=
None
Xóa cột trong dataframe
Bạn có thể sử dụng một trong các cách sau:
1
2
3
4
peoples_df
.
drop
(
‘tên cột cần xóa’
,
axis
=
1
)
# Xóa 1 cột
peoples_df
.
drop
(
[
‘cột 1’
,
‘cột 2’
]
,
axis
=
1
)
# Xóa nhiều cột
df
.
drop
(
columns
=
[
‘B’
,
‘C’
]
)
# Xóa các cột có tên là B và C
Xóa bản ghi theo chỉ số
1
2
peoples_df
.
drop
(
[
,
1
]
)
# Xóa bản ghi ở chỉ số 1 và 2
Hiểu dữ liệu trong dataframe
Thư viện pandas python phân phối cho bạn một số hàm giúp bạn hiểu về cấu trúc, phân bố của dữ liệu. Dưới đây là phương pháp để bạn tìm tòi và hiểu dữ liệu của mình.
Tôi đã bổ sung trường age
vào file people.csv và tiến hành đọc lại.
1
2
peoples_df
[
‘age’
]
1
2
3
4
5
6
7
8
9
10
11
12
13
25
1
23
2
21
3
18
4
30
5
35
.
.
.
38
25
39
25
Name
:
age
,
dtype
:
int64
Sử dụng hàm describe()
cho bạn các thống kê cơ bản về dữ liệu:
1
2
peoples_df
.
describe
(
)
Xem rõ ràng và cụ thể hơn trên từng cột như sau:
1
2
peoples_df
[
‘age’
]
.
value_counts
(
)
1
2
3
4
5
6
7
8
9
10
11
12
25
21
28
6
35
3
29
2
23
2
22
2
30
1
24
1
21
1
18
1
Name
:
age
,
dtype
:
int64
Bạn cũng có thể vẽ đồ thị xem phân bố giá trị của một trường trong dataframe như sau.
1
2
peoples_df
[
‘age’
]
.
value_counts
(
)
.
plot
(
kind
=
‘bar’
)
Tạo mới dataframe
Có một vài phương pháp để tạo ra dataframe trong thư viện pandas python. Bạn có thể dùng cách mà bạn cho rằng dễ sử dụng, đôi lúc cũng phải tùy vào từng trường hợp mà nên chọn cách nào nữa.
Tạo mới dataframe từ python dictionary
1
2
3
4
peoples
=
{
‘name’
:
[
‘Nguyễn Văn Hiếu’
,
‘Hiếu Nguyễn Văn’
]
,
‘age’
:
[
28
,
28
]
,
‘website’
:
[
‘https://nguyenvanhieu.vn’
,
None
]
}
df
=
pd
.
DataFrame
(
peoples
)
(
df
)
Bạn sẽ có 1 dataframe như sau:
1
2
3
4
name
age
website
Nguy
ễ
n
V
ă
n
Hi
ế
u
28
https
:
//nguyenvanhieu.vn
1
Hi
ế
u
Nguy
ễ
n
V
ă
n
28
None
Lưu ý: các list của từng key trong từ điển phải có cùng kích thước.
Tạo mới dataframe từ các python list
1
2
3
4
5
6
7
txts
=
[
‘chỗ này ăn cũng khá ngon’
,
‘ngon, nhất định sẽ quay lại’
,
‘thái độ phục vụ quá tệ’
]
labels
=
[
1
,
1
,
]
df
=
pd
.
DataFrame
(
)
df
[
‘txt’
]
=
txts
df
[
‘label’
]
=
labels
(
df
)
Bạn sẽ thu được dataframe như sau:
1
2
3
4
5
txt
label
ch
ỗ
n
à
y
ă
n
c
ũ
ng
kh
á
ngon
1
1
ngon
,
nh
ấ
t
đị
nh
s
ẽ
quay
l
ạ
i
1
2
th
á
i
độ
ph
ụ
c
v
ụ
qu
á
t
ệ
Lưu ý: các list này phải có cùng kích thước.
Một số thao tác khác trên dataframe
Sắp xếp dataframe
Với thư viện pandas python, bạn có thể sắp xếp dataframe tăng dần, hay giảm dần theo 1 hoặc nhiều cột chỉ định.
1
2
3
4
5
6
# Sắp xếp df tăng dần theo cột nào đó
df
=
pd
.
DataFrame
(
{
‘name’
:
[
‘Nam’
,
‘Hiếu’
,
‘Mai’
,
‘Hoa’
]
,
‘age’
:
[
18
,
18
,
17
,
19
]
}
)
(
‘Before sortn’
,
df
)
df
=
df
.
sort_values
(
‘age’
,
ascending
=
True
)
(
‘After sortn’
,
df
)
Kết quả in ra được như sau:
1
2
3
4
5
6
7
8
9
10
11
12
13
Before
sort
name
age
Nam
18
1
Hi
ế
u
18
2
Mai
17
3
Hoa
19
After
sort
name
age
2
Mai
17
Nam
18
1
Hi
ế
u
18
3
Hoa
19
Bạn có thể sắp xếp theo nhiều cột có độ ưu tiên giảm dần, bằng cách truyền vào list tên cột. Ví dụ df.sort_values(['age', 'name'], ascending=True)
Nối 2 dataframe
Bạn có thể nối 2 dataframe thành 1 dataframe mới bằng cách sử dụng hàm append
của thư viện pandas.
1
2
3
4
5
6
# Gộp 2 dataframe
df1
=
pd
.
DataFrame
(
{
‘name’
:
[
‘Hiếu’
]
,
‘age’
:
[
18
]
,
‘gender’
:
[
‘male’
]
}
)
df2
=
pd
.
DataFrame
(
{
‘name’
:
[
‘Nam’
,
‘Mai’
,
‘Hoa’
]
,
‘age’
:
[
15
,
17
,
19
]
}
)
df
=
df1
.
append
(
df2
,
sort
=
True
)
(
df
)
Kết quả:
1
2
3
4
5
6
age
gender
name
18
male
Hi
ế
u
15
NaN
Nam
1
17
NaN
Mai
2
19
NaN
Hoa
Xáo trộn các bản ghi trong dataframe
Trong xử lý dữ liệu, bạn chắc nịch sẽ cần tới việc xáo trộn dữ liệu. Rất may, thư viện pandas có thể giúp tất cả chúng ta làm việc đó.
1
2
3
4
5
6
# Xáo trộn các hàng trong df – shuffle dataframe rows
df
=
pd
.
DataFrame
(
{
‘name’
:
[
‘Hiếu’
,
‘Nam’
,
‘Mai’
,
‘Hoa’
]
,
‘age’
:
[
18
,
15
,
17
,
19
]
}
)
(
‘Before shufflen’
,
df
)
df
=
df
.
sample
(
frac
=
1
)
.
reset_index
(
drop
=
True
)
(
‘After shufflen’
,
df
)
Kết quả(Có thể khác nhau nhé – xáo trộn mà)
1
2
3
4
5
6
7
8
9
10
11
12
13
Before
shuffle
name
age
Hi
ế
u
18
1
Nam
15
2
Mai
17
3
Hoa
19
After
shuffle
name
age
Mai
17
1
Nam
15
2
Hi
ế
u
18
3
Hoa
19
Giải thích thêm:
- frac: Chỉ định số bản ghi sẽ trả về ở mỗi lần random. Nếu bằng 1, tức là random ngẫu nhiên toàn bộ các bản ghi.
- .reset_index(): Sắp xếp lại cột chỉ số của dataframe.
- drop:với giá trị True, nó sẽ ngăn không cho hàm
reset_index
tạo cột mới từ cột chỉ số của dataframe ban đầu.
Lưu dataframe về file csv
Thư viện pandas python cho phép bạn lưu lại dataframe chỉ với một dòng code. Quá đơn giản phải không nào?
1
2
df
.
to_csv
(
‘comments.csv’
)
Bạn có thể mở file để xem kết quả lưu:
Các tham số của hàm to_csv
khá tương tự với hàm read_csv
. Độc giả có thể xem thêm thông tin đầy đủ của hàm này tại đây.
Tới đây mình xin kết thúc bài hướng dẫn về thư viện pandas python. Qua nội dung này, tôi tin chắc bạn đã sở hữu những tri thức thiết yếu và có thể quản lý thư viện pandas trong python. Bạn cũng có thể xem một ví dụ thực tiễn sử dụng thư viện này tại nội dung code thuật toán linear regression này.
Tôi ưu bộ nhớ lưu trữ khi dùng pandas
Mục này mình đọc được từ bài của Anh Lê Huỳnh Đức trên Forum machinelearningcoban, xin được trích dẫn lại:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import
numpy
as
np
# linear algebra
import
pandas
as
pd
# data processing, CSV file I/O (e.g. pd.read_csv)
def
reduce_mem_usage
(
df
)
:
“”” iterate through all the columns of a dataframe and modify the data type
to reduce memory usage.
“””
start_mem
=
df
.
memory_usage
(
)
.
sum
(
)
/
1024
**
2
(
‘Memory usage of dataframe is {:.2f} MB’
.
format
(
start_mem
)
)
for
col
in
df
.
columns
:
col_type
=
df
[
col
]
.
dtype
if
col_type
!
=
object
and
col_type
.
name
!
=
‘category’
and
‘datetime’
not
in
col_type
.
name
:
c_min
=
df
[
col
]
.
min
(
)
c_max
=
df
[
col
]
.
max
(
)
if
str
(
col_type
)
[
:
3
]
==
‘int’
:
if
c_min
>
np
.
iinfo
(
np
.
int8
)
.
min
and
c_max
<
np
.
iinfo
(
np
.
int8
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
int8
)
elif
c_min
>
np
.
iinfo
(
np
.
int16
)
.
min
and
c_max
<
np
.
iinfo
(
np
.
int16
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
int16
)
elif
c_min
>
np
.
iinfo
(
np
.
int32
)
.
min
and
c_max
<
np
.
iinfo
(
np
.
int32
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
int32
)
elif
c_min
>
np
.
iinfo
(
np
.
int64
)
.
min
and
c_max
<
np
.
iinfo
(
np
.
int64
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
int64
)
else
:
if
c_min
>
np
.
finfo
(
np
.
float16
)
.
min
and
c_max
<
np
.
finfo
(
np
.
float16
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
float16
)
elif
c_min
>
np
.
finfo
(
np
.
float32
)
.
min
and
c_max
<
np
.
finfo
(
np
.
float32
)
.
max
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
float32
)
else
:
df
[
col
]
=
df
[
col
]
.
astype
(
np
.
float64
)
p>
elif
‘datetime’
not
in
col_type
.
name
:
df
[
col
]
=
df
[
col
]
.
astype
(
‘category’
)
end_mem
=
df
.
memory_usage
(
)
.
sum
(
)
/
1024
**
2
(
‘Memory usage after optimization is: {:.2f} MB’
.
format
(
end_mem
)
)
(
‘Decreased by {:.1f}%’
.
format
(
100
*
(
start_mem
–
end_mem
)
/
start_mem
)
)
return
df
Chạy thử:
1
2
3
4
5
6
train
=
pd
.
read_csv
(
‘../input/train.csv’
)
test
=
pd
.
read_csv
(
‘../input/test.csv’
)
sub
=
pd
.
read_csv
(
‘../input/sample_submission.csv’
)
train
=
reduce_mem_usage
(
train
)
test
=
reduce_mem_usage
(
test
)
Tài liệu tham khảo