{"id":5679,"date":"2026-09-23T09:00:00","date_gmt":"2026-09-23T09:00:00","guid":{"rendered":"https:\/\/otus.ru\/journal\/?p=5679"},"modified":"2026-09-25T15:34:19","modified_gmt":"2026-09-25T15:34:19","slug":"pandas-rabota-s-dataframes","status":"publish","type":"post","link":"https:\/\/otus.ru\/journal\/pandas-rabota-s-dataframes\/","title":{"rendered":"Pandas DataFrame: \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0435, \u0447\u0442\u0435\u043d\u0438\u0435 CSV, loc \u0438 iloc, \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u0438 groupby"},"content":{"rendered":"

DataFrame<\/strong> — \u044d\u0442\u043e \u043e\u0441\u043d\u043e\u0432\u043d\u043e\u0439 \u043e\u0431\u044a\u0435\u043a\u0442 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 pandas: \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u0430\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430, \u0443 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0435\u0441\u0442\u044c \u043f\u043e\u0434\u043f\u0438\u0441\u0438 \u0441\u0442\u0440\u043e\u043a (\u0438\u043d\u0434\u0435\u043a\u0441) \u0438 \u043f\u043e\u0434\u043f\u0438\u0441\u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432, \u0430 \u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430 \u0441\u0432\u043e\u0439 \u0442\u0438\u043f \u0434\u0430\u043d\u043d\u044b\u0445 (dtype). \u041d\u0438\u0436\u0435 \u043d\u0430 \u043e\u0434\u043d\u043e\u043c \u043d\u0430\u0431\u043e\u0440\u0435 \u0434\u0430\u043d\u043d\u044b\u0445 \u0440\u0430\u0437\u0431\u0435\u0440\u0435\u043c \u0442\u0438\u043f\u043e\u0432\u043e\u0439 \u0446\u0438\u043a\u043b \u0440\u0430\u0431\u043e\u0442\u044b: \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u0438\u043b\u0438 \u043f\u0440\u043e\u0447\u0438\u0442\u0430\u0442\u044c \u0442\u0430\u0431\u043b\u0438\u0446\u0443, \u0432\u044b\u0431\u0440\u0430\u0442\u044c \u043d\u0443\u0436\u043d\u043e\u0435, \u043e\u0442\u0444\u0438\u043b\u044c\u0442\u0440\u043e\u0432\u0430\u0442\u044c, \u0434\u043e\u0431\u0430\u0432\u0438\u0442\u044c \u0441\u0442\u043e\u043b\u0431\u0446\u044b, \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0438\u0442\u043e\u0433\u0438 \u043f\u043e \u0433\u0440\u0443\u043f\u043f\u0430\u043c \u0438 \u0440\u0430\u0437\u043e\u0431\u0440\u0430\u0442\u044c\u0441\u044f \u0441 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u043c\u0438.<\/p>\n

\n

\u0421\u043e\u0434\u0435\u0440\u0436\u0430\u043d\u0438\u0435<\/strong><\/p>\n

    \n
  1. \u0422\u0440\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 pandas, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043b\u0435\u0433\u043a\u043e \u043f\u0435\u0440\u0435\u043f\u0443\u0442\u0430\u0442\u044c<\/a><\/li>\n
  2. \u041c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0440\u0438\u043c\u0435\u0440: \u0441\u043e\u0437\u0434\u0430\u0442\u044c DataFrame<\/a><\/li>\n
  3. \u0427\u0442\u0435\u043d\u0438\u0435 CSV: read_csv \u0438 \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c<\/a><\/li>\n
  4. \u0412\u044b\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445: [], loc \u0438 iloc<\/a><\/li>\n
  5. \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u0441\u0442\u0440\u043e\u043a \u043f\u043e \u0443\u0441\u043b\u043e\u0432\u0438\u044e<\/a><\/li>\n
  6. \u0414\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435, \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0438 \u0443\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432<\/a><\/li>\n
  7. groupby: \u0438\u0442\u043e\u0433\u0438 \u043f\u043e \u0433\u0440\u0443\u043f\u043f\u0430\u043c<\/a><\/li>\n
  8. \u041f\u0440\u043e\u043f\u0443\u0441\u043a\u0438: \u043d\u0430\u0439\u0442\u0438, \u0443\u0434\u0430\u043b\u0438\u0442\u044c, \u0437\u0430\u043f\u043e\u043b\u043d\u0438\u0442\u044c<\/a><\/li>\n
  9. \u0415\u0441\u043b\u0438 \u043d\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c: \u0441\u0438\u043c\u043f\u0442\u043e\u043c -> \u043f\u0440\u0438\u0447\u0438\u043d\u0430<\/a><\/li>\n
  10. \u0412\u044b\u0432\u043e\u0434\u044b<\/a><\/li>\n
  11. \u0413\u0434\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \/ \u0441\u0432\u044f\u0437\u044c \u0441 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u043e\u0439<\/a><\/li>\n
  12. FAQ<\/a><\/li>\n<\/ol>\n<\/div>\n

    \u0412\u0441\u0435 \u043f\u0440\u0438\u043c\u0435\u0440\u044b \u043f\u0440\u043e\u0432\u0435\u0440\u0435\u043d\u044b 23.09.2026 \u043d\u0430 Python 3.14.7 \u0438 pandas 3.0.6. \u0412\u044b\u0432\u043e\u0434 \u0441\u043a\u043e\u043f\u0438\u0440\u043e\u0432\u0430\u043d \u0438\u0437 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0437\u0430\u043f\u0443\u0441\u043a\u0430; \u0432 pandas 2.x \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u0434\u0435\u0442\u0430\u043b\u0438 \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0442\u0441\u044f, \u044d\u0442\u043e \u043e\u0442\u043c\u0435\u0447\u0435\u043d\u043e \u043f\u043e \u043c\u0435\u0441\u0442\u0443.<\/p>\n

    \u0422\u0440\u0438 \u043e\u0431\u044a\u0435\u043a\u0442\u0430 pandas, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043b\u0435\u0433\u043a\u043e \u043f\u0435\u0440\u0435\u043f\u0443\u0442\u0430\u0442\u044c<\/h2>\n\n\n\n\n\n\n\n
    \u041e\u0431\u044a\u0435\u043a\u0442<\/th>\n\u0427\u0442\u043e \u044d\u0442\u043e<\/th>\n\u041f\u0440\u0438\u043c\u0435\u0440<\/th>\n<\/tr>\n<\/thead>\n
    Series<\/code><\/td>\n\u043e\u0434\u0438\u043d \u0441\u0442\u043e\u043b\u0431\u0435\u0446: \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f + \u0438\u043d\u0434\u0435\u043a\u0441<\/td>\ndf[\"city\"]<\/code><\/td>\n<\/tr>\n
    DataFrame<\/code><\/td>\n\u0442\u0430\u0431\u043b\u0438\u0446\u0430 \u0438\u0437 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445 Series \u0441 \u043e\u0431\u0449\u0438\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c<\/td>\ndf<\/code><\/td>\n<\/tr>\n
    Index<\/code><\/td>\n\u043f\u043e\u0434\u043f\u0438\u0441\u0438 \u0441\u0442\u0440\u043e\u043a \u0438\u043b\u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432<\/td>\ndf.index<\/code>, df.columns<\/code><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    \u0422\u0440\u0435\u0445\u043c\u0435\u0440\u043d\u043e\u0433\u043e Panel<\/code> \u0438\u0437 \u0441\u0442\u0430\u0440\u044b\u0445 \u0443\u0447\u0435\u0431\u043d\u0438\u043a\u043e\u0432 \u0431\u043e\u043b\u044c\u0448\u0435 \u043d\u0435\u0442: \u0435\u0433\u043e \u0443\u0434\u0430\u043b\u0438\u043b\u0438 \u0438\u0437 pandas \u0432 \u0432\u0435\u0440\u0441\u0438\u0438 0.25.0 (2019). \u0414\u043b\u044f \u043c\u043d\u043e\u0433\u043e\u043c\u0435\u0440\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441\u0435\u0439\u0447\u0430\u0441 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 MultiIndex<\/code> \u0438\u043b\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 xarray.<\/p>\n

    \u041c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0440\u0438\u043c\u0435\u0440: \u0441\u043e\u0437\u0434\u0430\u0442\u044c DataFrame<\/h2>\n

    \u0421\u0430\u043c\u044b\u0439 \u043a\u043e\u0440\u043e\u0442\u043a\u0438\u0439 \u043f\u0443\u0442\u044c — \u0441\u043b\u043e\u0432\u0430\u0440\u044c \u00ab\u0438\u043c\u044f \u0441\u0442\u043e\u043b\u0431\u0446\u0430 -> \u0441\u043f\u0438\u0441\u043e\u043a \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\u00bb. \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430: pip install pandas<\/code>.<\/p>\n

    import<\/span> <\/span>pandas<\/span> <\/span>as<\/span> <\/span>pd<\/span>\n\norders<\/span> =<\/span> pd<\/span>.<\/span>DataFrame<\/span>({<\/span>\n    \"city\"<\/span>:<\/span> [<\/span>\"\u041c\u043e\u0441\u043a\u0432\u0430\"<\/span>,<\/span> \"\u041a\u0430\u0437\u0430\u043d\u044c\"<\/span>,<\/span> \"\u041c\u043e\u0441\u043a\u0432\u0430\"<\/span>,<\/span> \"\u041f\u0435\u0440\u043c\u044c\"<\/span>],<\/span>\n    \"course\"<\/span>:<\/span> [<\/span>\"Python\"<\/span>,<\/span> \"SQL\"<\/span>,<\/span> \"SQL\"<\/span>,<\/span> \"Python\"<\/span>],<\/span>\n    \"price\"<\/span>:<\/span> [<\/span>12000<\/span>,<\/span> 9000<\/span>,<\/span> 9000<\/span>,<\/span> 12000<\/span>],<\/span>\n    \"paid\"<\/span>:<\/span> [<\/span>True<\/span>,<\/span> False<\/span>,<\/span> True<\/span>,<\/span> True<\/span>],<\/span>\n})<\/span>\n\nprint<\/span>(<\/span>orders<\/span>)<\/span>\nprint<\/span>(<\/span>orders<\/span>.<\/span>shape<\/span>)<\/span>\nprint<\/span>(<\/span>orders<\/span>.<\/span>dtypes<\/span>)<\/span><\/code><\/pre>\n
         city  course  price   paid\n0  \u041c\u043e\u0441\u043a\u0432\u0430  Python  12000   True\n1  \u041a\u0430\u0437\u0430\u043d\u044c     SQL   9000  False\n2  \u041c\u043e\u0441\u043a\u0432\u0430     SQL   9000   True\n3   \u041f\u0435\u0440\u043c\u044c  Python  12000   True\n(4, 4)\ncity        str\ncourse      str\nprice     int64\npaid       bool\ndtype: object\n<\/code><\/pre>\n
    \u041b\u0435\u0432\u044b\u0439 \u0441\u0442\u043e\u043b\u0431\u0435\u0446 0-3 — \u0438\u043d\u0434\u0435\u043a\u0441, pandas \u0441\u043e\u0437\u0434\u0430\u043b \u0435\u0433\u043e \u0441\u0430\u043c. shape<\/code> — \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0440\u043e\u043a \u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432. \u0422\u0438\u043f str<\/code> \u0443 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u0445 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432 — \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435 pandas 3.0; \u0432 pandas 2.x \u0442\u0430\u043c \u0431\u0443\u0434\u0435\u0442 object<\/code>.<\/p>\n
    \u0427\u0442\u0435\u043d\u0438\u0435 CSV: read_csv \u0438 \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c<\/h2>\n
    \u041d\u0430 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0447\u0430\u0449\u0435 \u0447\u0438\u0442\u0430\u044e\u0442 \u0438\u0437 \u0444\u0430\u0439\u043b\u0430. \u0414\u043b\u044f \u0432\u043e\u0441\u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u0438 \u0442\u0435\u043a\u0441\u0442 CSV \u043b\u0435\u0436\u0438\u0442 \u043f\u0440\u044f\u043c\u043e \u0432 \u043a\u043e\u0434\u0435 (io.StringIO<\/code>), \u0432 \u0440\u0430\u0431\u043e\u0442\u0435 \u0432\u043c\u0435\u0441\u0442\u043e \u043d\u0435\u0433\u043e \u043f\u0438\u0448\u0443\u0442 \u043f\u0443\u0442\u044c: pd.read_csv(\"orders.csv\")<\/code>.<\/p>\n
    import<\/span> <\/span>io<\/span>\nimport<\/span> <\/span>pandas<\/span> <\/span>as<\/span> <\/span>pd<\/span>\n\ncsv_text<\/span> =<\/span> \"\"\"date;city;course;price;paid<\/span>\n2026-09-01;\u041c\u043e\u0441\u043a\u0432\u0430;Python;12000;1<\/span>\n2026-09-01;\u041a\u0430\u0437\u0430\u043d\u044c;SQL;9000;0<\/span>\n2026-09-02;\u041c\u043e\u0441\u043a\u0432\u0430;SQL;;1<\/span>\n2026-09-03;\u041f\u0435\u0440\u043c\u044c;Python;12000;1<\/span>\n2026-09-03;\u041a\u0430\u0437\u0430\u043d\u044c;Python;12000;1<\/span>\n\"\"\"<\/span>\n\nbad<\/span> =<\/span> pd<\/span>.<\/span>read_csv<\/span>(<\/span>io<\/span>.<\/span>StringIO<\/span>(<\/span>csv_text<\/span>))<\/span>\nprint<\/span>(<\/span>bad<\/span>.<\/span>shape<\/span>)<\/span>\n\ndf<\/span> =<\/span> pd<\/span>.<\/span>read_csv<\/span>(<\/span>io<\/span>.<\/span>StringIO<\/span>(<\/span>csv_text<\/span>),<\/span> sep<\/span>=<\/span>\";\"<\/span>,<\/span> parse_dates<\/span>=<\/span>[<\/span>\"date\"<\/span>])<\/span>\nprint<\/span>(<\/span>df<\/span>)<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>dtypes<\/span>)<\/span><\/code><\/pre>\n
    (5, 1)\n        date    city  course    price  paid\n0 2026-09-01  \u041c\u043e\u0441\u043a\u0432\u0430  Python  12000.0     1\n1 2026-09-01  \u041a\u0430\u0437\u0430\u043d\u044c     SQL   9000.0     0\n2 2026-09-02  \u041c\u043e\u0441\u043a\u0432\u0430     SQL      NaN     1\n3 2026-09-03   \u041f\u0435\u0440\u043c\u044c  Python  12000.0     1\n4 2026-09-03  \u041a\u0430\u0437\u0430\u043d\u044c  Python  12000.0     1\ndate      datetime64[us]\ncity                 str\ncourse               str\nprice            float64\npaid               int64\ndtype: object\n<\/code><\/pre>\n
    \u041f\u0435\u0440\u0432\u044b\u0439 \u0432\u044b\u0437\u043e\u0432 — \u0442\u0438\u043f\u0438\u0447\u043d\u0430\u044f \u043e\u0448\u0438\u0431\u043a\u0430: \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c \u0437\u0430\u043f\u044f\u0442\u0430\u044f, \u0430 \u0432 \u0444\u0430\u0439\u043b\u0435 \u0442\u043e\u0447\u043a\u0430 \u0441 \u0437\u0430\u043f\u044f\u0442\u043e\u0439, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u0441\u044f \u0441\u0442\u0440\u043e\u043a\u0430 \u0443\u0448\u043b\u0430 \u0432 \u043e\u0434\u0438\u043d \u0441\u0442\u043e\u043b\u0431\u0435\u0446 (\u0444\u043e\u0440\u043c\u0430 (5, 1)<\/code>). \u0418\u0441\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 — sep=\";\"<\/code>. \u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 parse_dates<\/code> \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0441\u0442\u0440\u043e\u043a\u0438 \u0434\u0430\u0442 \u0432 \u0442\u0438\u043f \u0434\u0430\u0442\u044b, \u0438\u043d\u0430\u0447\u0435 \u043e\u043d\u0438 \u043e\u0441\u0442\u0430\u043d\u0443\u0442\u0441\u044f \u0442\u0435\u043a\u0441\u0442\u043e\u043c.<\/p>\n
    \u041f\u0443\u0441\u0442\u0430\u044f \u044f\u0447\u0435\u0439\u043a\u0430 price<\/code> \u0441\u0442\u0430\u043b\u0430 NaN<\/code>, \u0438 \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0438\u0437 \u0446\u0435\u043b\u043e\u0433\u043e \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u043b\u0441\u044f \u0432 float64<\/code>. \u0415\u0449\u0435 \u043f\u043e\u043b\u0435\u0437\u043d\u044b encoding<\/code> (\"cp1251\"<\/code> \u0434\u043b\u044f \u0441\u0442\u0430\u0440\u044b\u0445 \u0432\u044b\u0433\u0440\u0443\u0437\u043e\u043a), dtype<\/code>, usecols<\/code> \u0438 decimal=\",\"<\/code>.<\/p>\n
    \u0412\u044b\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445: [], loc \u0438 iloc<\/h2>\n
    \u0414\u0430\u043b\u044c\u0448\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0441 df<\/code> \u0438\u0437 \u043f\u0440\u0438\u043c\u0435\u0440\u0430 \u0432\u044b\u0448\u0435. \u041a\u0432\u0430\u0434\u0440\u0430\u0442\u043d\u044b\u0435 \u0441\u043a\u043e\u0431\u043a\u0438 \u0432\u044b\u0431\u0438\u0440\u0430\u044e\u0442 \u0441\u0442\u043e\u043b\u0431\u0446\u044b, \u0430 \u0441\u0442\u0440\u043e\u043a\u0438 \u0438 \u0441\u0440\u0435\u0437\u044b \u043d\u0430\u0434\u0435\u0436\u043d\u0435\u0435 \u0431\u0440\u0430\u0442\u044c \u0447\u0435\u0440\u0435\u0437 loc<\/code> \u0438 iloc<\/code>.<\/p>\n\n\n\n\n\n\n\n\n
    \u0421\u043f\u043e\u0441\u043e\u0431<\/th>\n\u041f\u043e \u0447\u0435\u043c\u0443 \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u0442<\/th>\n\u041a\u043e\u043d\u0435\u0446 \u0441\u0440\u0435\u0437\u0430<\/th>\n\u041f\u0440\u0438\u043c\u0435\u0440<\/th>\n<\/tr>\n<\/thead>\n
    df[\"col\"]<\/code><\/td>\n\u0438\u043c\u044f \u0441\u0442\u043e\u043b\u0431\u0446\u0430, \u0432\u0435\u0440\u043d\u0435\u0442 Series<\/td>\n—<\/td>\ndf[\"city\"]<\/code><\/td>\n<\/tr>\n
    df[\u0441\u043f\u0438\u0441\u043e\u043a]<\/code><\/td>\n\u0441\u043f\u0438\u0441\u043e\u043a \u0438\u043c\u0435\u043d, \u0432\u0435\u0440\u043d\u0435\u0442 DataFrame<\/td>\n—<\/td>\ndf[cols]<\/code>, \u0433\u0434\u0435 cols = [\"city\", \"price\"]<\/code><\/td>\n<\/tr>\n
    df.loc[\u0441\u0442\u0440\u043e\u043a\u0438, \u0441\u0442\u043e\u043b\u0431\u0446\u044b]<\/code><\/td>\n\u043c\u0435\u0442\u043a\u0438 \u0438\u043d\u0434\u0435\u043a\u0441\u0430 \u0438 \u0438\u043c\u0435\u043d\u0430<\/td>\n\u0432\u043a\u043b\u044e\u0447\u0430\u0435\u0442\u0441\u044f<\/td>\ndf.loc[\"b\":\"d\", [\"city\"]]<\/code><\/td>\n<\/tr>\n
    df.iloc[\u0441\u0442\u0440\u043e\u043a\u0438, \u0441\u0442\u043e\u043b\u0431\u0446\u044b]<\/code><\/td>\n\u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u0441 \u043d\u0443\u043b\u044f<\/td>\n\u043d\u0435 \u0432\u043a\u043b\u044e\u0447\u0430\u0435\u0442\u0441\u044f<\/td>\ndf.iloc[1:3, [1, 3]]<\/code><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
    \u0420\u0430\u0437\u043d\u0438\u0446\u0443 \u0432\u0438\u0434\u043d\u043e, \u0435\u0441\u043b\u0438 \u0434\u0430\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0430\u043c \u0431\u0443\u043a\u0432\u0435\u043d\u043d\u044b\u0435 \u043c\u0435\u0442\u043a\u0438:<\/p>\n
    df<\/span>.<\/span>index<\/span> =<\/span> [<\/span>\"a\"<\/span>,<\/span> \"b\"<\/span>,<\/span> \"c\"<\/span>,<\/span> \"d\"<\/span>,<\/span> \"e\"<\/span>]<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>loc<\/span>[<\/span>\"b\"<\/span>:<\/span>\"d\"<\/span>,<\/span> [<\/span>\"city\"<\/span>,<\/span> \"price\"<\/span>]])<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>iloc<\/span>[<\/span>1<\/span>:<\/span>3<\/span>,<\/span> [<\/span>1<\/span>,<\/span> 3<\/span>]])<\/span><\/code><\/pre>\n
         city    price\nb  \u041a\u0430\u0437\u0430\u043d\u044c   9000.0\nc  \u041c\u043e\u0441\u043a\u0432\u0430      NaN\nd   \u041f\u0435\u0440\u043c\u044c  12000.0\n     city   price\nb  \u041a\u0430\u0437\u0430\u043d\u044c  9000.0\nc  \u041c\u043e\u0441\u043a\u0432\u0430     NaN\n<\/code><\/pre>\n
    loc[\"b\":\"d\"]<\/code> \u0432\u0435\u0440\u043d\u0443\u043b \u0442\u0440\u0438 \u0441\u0442\u0440\u043e\u043a\u0438 (\u043c\u0435\u0442\u043a\u0430 d<\/code> \u0432\u043a\u043b\u044e\u0447\u0435\u043d\u0430), iloc[1:3]<\/code> — \u0434\u0432\u0435, \u043a\u0430\u043a \u043e\u0431\u044b\u0447\u043d\u044b\u0439 \u0441\u0440\u0435\u0437 Python. \u0427\u0430\u0441\u0442\u0430\u044f \u043e\u0448\u0438\u0431\u043a\u0430 — df[0]<\/code> \u0432 \u043d\u0430\u0434\u0435\u0436\u0434\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u0435\u0440\u0432\u0443\u044e \u0441\u0442\u0440\u043e\u043a\u0443: \u0441\u043a\u043e\u0431\u043a\u0438 \u0438\u0449\u0443\u0442 \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0441 \u0438\u043c\u0435\u043d\u0435\u043c 0<\/code>, \u0438 \u0432\u044b\u0445\u043e\u0434\u0438\u0442 KeyError: 0<\/code>. \u041f\u0435\u0440\u0432\u0430\u044f \u0441\u0442\u0440\u043e\u043a\u0430 \u043f\u043e \u043f\u043e\u0437\u0438\u0446\u0438\u0438 — df.iloc[0]<\/code> (\u0432\u0435\u0440\u043d\u0435\u0442 Series).<\/p>\n
    \u0414\u0430\u043b\u044c\u0448\u0435 \u0432\u0435\u0440\u043d\u0435\u043c \u0447\u0438\u0441\u043b\u043e\u0432\u043e\u0439 \u0438\u043d\u0434\u0435\u043a\u0441: df = df.reset_index(drop=True)<\/code>.<\/p>\n
    \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u0441\u0442\u0440\u043e\u043a \u043f\u043e \u0443\u0441\u043b\u043e\u0432\u0438\u044e<\/h2>\n
    \u0423\u0441\u043b\u043e\u0432\u0438\u0435 \u043d\u0430\u0434 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u043c \u0434\u0430\u0435\u0442 \u043b\u043e\u0433\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u043c\u0430\u0441\u043a\u0443 (Series \u0438\u0437 True<\/code>\/False<\/code>), \u0438 df[\u043c\u0430\u0441\u043a\u0430]<\/code> \u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u0442\u0440\u043e\u043a\u0438, \u0433\u0434\u0435 True<\/code>. \u041d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0443\u0441\u043b\u043e\u0432\u0438\u0439 \u0441\u043e\u0435\u0434\u0438\u043d\u044f\u044e\u0442 \u0447\u0435\u0440\u0435\u0437 &<\/code> (\u0438), |<\/code> (\u0438\u043b\u0438), ~<\/code> (\u043d\u0435), \u043a\u0430\u0436\u0434\u043e\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u0435 — \u0432 \u0441\u043a\u043e\u0431\u043a\u0430\u0445.<\/p>\n
    df<\/span> =<\/span> df<\/span>.<\/span>reset_index<\/span>(<\/span>drop<\/span>=<\/span>True<\/span>)<\/span>\ntry<\/span>:<\/span>\n    df<\/span>[<\/span>df<\/span>[<\/span>\"city\"<\/span>]<\/span> ==<\/span> \"\u041c\u043e\u0441\u043a\u0432\u0430\"<\/span> and<\/span> df<\/span>[<\/span>\"paid\"<\/span>]<\/span> ==<\/span> 1<\/span>]<\/span>\nexcept<\/span> ValueError<\/span> as<\/span> e<\/span>:<\/span>\n    print<\/span>(<\/span>\"ValueError:\"<\/span>,<\/span> e<\/span>)<\/span>\n\nprint<\/span>(<\/span>df<\/span>[(<\/span>df<\/span>[<\/span>\"city\"<\/span>]<\/span> ==<\/span> \"\u041c\u043e\u0441\u043a\u0432\u0430\"<\/span>)<\/span> &<\/span> (<\/span>df<\/span>[<\/span>\"paid\"<\/span>]<\/span> ==<\/span> 1<\/span>)])<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>query<\/span>(<\/span>\"city == '\u041a\u0430\u0437\u0430\u043d\u044c' and price >= 10000\"<\/span>))<\/span><\/code><\/pre>\n
    ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().\n        date    city  course    price  paid\n0 2026-09-01  \u041c\u043e\u0441\u043a\u0432\u0430  Python  12000.0     1\n2 2026-09-02  \u041c\u043e\u0441\u043a\u0432\u0430     SQL      NaN     1\n        date    city  course    price  paid\n4 2026-09-03  \u041a\u0430\u0437\u0430\u043d\u044c  Python  12000.0     1\n<\/code><\/pre>\n
    \u041f\u0438\u0442\u043e\u043d\u043e\u0432\u0441\u043a\u0438\u0435 and<\/code>\/or<\/code> \u043d\u0435 \u0440\u0430\u0431\u043e\u0442\u0430\u044e\u0442 \u0441 \u043c\u0430\u0441\u043a\u0430\u043c\u0438: \u043e\u043d\u0438 \u0442\u0440\u0435\u0431\u0443\u044e\u0442 \u043e\u0434\u043d\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 True<\/code> \u0438\u043b\u0438 False<\/code>, \u0430 \u043c\u0430\u0441\u043a\u0430 \u0441\u043e\u0434\u0435\u0440\u0436\u0438\u0442 \u043c\u043d\u043e\u0433\u043e. \u0412\u043d\u0443\u0442\u0440\u0438 \u0441\u0442\u0440\u043e\u043a\u0438 query()<\/code> \u0441\u043b\u043e\u0432\u043e and<\/code> \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e — \u0442\u0430\u043c \u0441\u0432\u043e\u0439 \u0441\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441. \u041d\u0435 \u043f\u0440\u043e\u0431\u0443\u0439\u0442\u0435 \u0441\u043e\u0432\u0435\u0442 a.bool()<\/code> \u0438\u0437 \u0442\u0435\u043a\u0441\u0442\u0430 \u043e\u0448\u0438\u0431\u043a\u0438: \u043c\u0435\u0442\u043e\u0434 Series.bool()<\/code> \u0443\u0434\u0430\u043b\u0435\u043d \u0432 pandas 3.0, \u0430 \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0435 \u043e\u0441\u0442\u0430\u043b\u043e\u0441\u044c \u043f\u0440\u0435\u0436\u043d\u0438\u043c; \u0434\u043b\u044f \u043c\u0430\u0441\u043a\u0438 \u043d\u0443\u0436\u043d\u044b &<\/code>\/|<\/code>, \u0434\u043b\u044f \u043e\u0434\u043d\u043e\u0433\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f — .item()<\/code>, \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u00ab\u0445\u043e\u0442\u044c \u043e\u0434\u043d\u043e\/\u0432\u0441\u0435\u00bb — .any()<\/code>\/.all()<\/code>. \u0414\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u00ab\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0438\u0437 \u0441\u043f\u0438\u0441\u043a\u0430\u00bb \u0435\u0441\u0442\u044c df[\"course\"].isin([\"SQL\", \"Python\"])<\/code>.<\/p>\n
    \u0414\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u0435, \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0438 \u0443\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432<\/h2>\n\n\n\n\n\n\n\n\n
    \u0421\u043f\u043e\u0441\u043e\u0431<\/th>\n\u0427\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442<\/th>\n\u041c\u0435\u043d\u044f\u0435\u0442 \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0439 df<\/th>\n<\/tr>\n<\/thead>\n
    df[\"new\"] = ...<\/code><\/td>\n\u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0432 \u043a\u043e\u043d\u0435\u0446<\/td>\n\u0434\u0430<\/td>\n<\/tr>\n
    df.insert(pos, \"new\", ...)<\/code><\/td>\n\u0432\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u043d\u0430 \u043f\u043e\u0437\u0438\u0446\u0438\u044e<\/td>\n\u0434\u0430<\/td>\n<\/tr>\n
    df.assign(new=...)<\/code><\/td>\n\u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u043d\u043e\u0432\u0443\u044e \u0442\u0430\u0431\u043b\u0438\u0446\u0443<\/td>\n\u043d\u0435\u0442<\/td>\n<\/tr>\n
    df.drop(columns=[...])<\/code><\/td>\n\u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0435\u0442 \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0431\u0435\u0437 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432<\/td>\n\u043d\u0435\u0442, \u0435\u0441\u043b\u0438 \u043d\u0435 \u043f\u0440\u0438\u0441\u0432\u043e\u0438\u0442\u044c<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
    df<\/span>[<\/span>\"price_k\"<\/span>]<\/span> =<\/span> df<\/span>[<\/span>\"price\"<\/span>]<\/span> \/<\/span> 1000<\/span>\ndf<\/span>.<\/span>insert<\/span>(<\/span>1<\/span>,<\/span> \"weekday\"<\/span>,<\/span> df<\/span>[<\/span>\"date\"<\/span>]<\/span>.<\/span>dt<\/span>.<\/span>day_name<\/span>())<\/span>\ndf2<\/span> =<\/span> df<\/span>.<\/span>assign<\/span>(<\/span>vat<\/span>=<\/span>lambda<\/span> d<\/span>:<\/span> d<\/span>[<\/span>\"price\"<\/span>]<\/span> *<\/span> 0.2<\/span>)<\/span>\nprint<\/span>(<\/span>list<\/span>(<\/span>df<\/span>.<\/span>columns<\/span>))<\/span>\nprint<\/span>(<\/span>list<\/span>(<\/span>df2<\/span>.<\/span>columns<\/span>))<\/span>\n\ndf<\/span> =<\/span> df<\/span>.<\/span>drop<\/span>(<\/span>columns<\/span>=<\/span>[<\/span>\"price_k\"<\/span>,<\/span> \"weekday\"<\/span>])<\/span>\nprint<\/span>(<\/span>list<\/span>(<\/span>df<\/span>.<\/span>columns<\/span>))<\/span><\/code><\/pre>\n
    ['date', 'weekday', 'city', 'course', 'price', 'paid', 'price_k']\n['date', 'weekday', 'city', 'course', 'price', 'paid', 'price_k', 'vat']\n['date', 'city', 'course', 'price', 'paid']\n<\/code><\/pre>\n
    \u0421\u0442\u043e\u043b\u0431\u0435\u0446 vat<\/code> \u043f\u043e\u044f\u0432\u0438\u043b\u0441\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u0432 df2<\/code>: assign<\/code> \u0438\u0441\u0445\u043e\u0434\u043d\u0443\u044e \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u043d\u0435 \u0442\u0440\u043e\u0433\u0430\u0435\u0442. \u0412\u043c\u0435\u0441\u0442\u043e inplace=True<\/code> \u0443 drop<\/code> \u043f\u0440\u043e\u0449\u0435 \u0438 \u043d\u0430\u0433\u043b\u044f\u0434\u043d\u0435\u0435 \u043f\u0440\u0438\u0441\u0432\u0430\u0438\u0432\u0430\u0442\u044c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442, \u043a\u0430\u043a \u0432 \u043f\u0440\u0438\u043c\u0435\u0440\u0435.<\/p>\n
    \u0418\u0437\u043c\u0435\u043d\u044f\u0442\u044c \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043f\u043e \u0443\u0441\u043b\u043e\u0432\u0438\u044e \u043d\u0443\u0436\u043d\u043e \u043e\u0434\u043d\u0438\u043c \u0448\u0430\u0433\u043e\u043c \u0447\u0435\u0440\u0435\u0437 loc<\/code>. \u0426\u0435\u043f\u043e\u0447\u043a\u0430 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u0439 \u0432 pandas 3.0 \u0438\u0441\u0445\u043e\u0434\u043d\u0443\u044e \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u043d\u0435 \u043c\u0435\u043d\u044f\u0435\u0442:<\/p>\n
    df<\/span>[<\/span>df<\/span>[<\/span>\"city\"<\/span>]<\/span> ==<\/span> \"\u041a\u0430\u0437\u0430\u043d\u044c\"<\/span>][<\/span>\"paid\"<\/span>]<\/span> =<\/span> 1<\/span>\nprint<\/span>(<\/span>df<\/span>[<\/span>\"paid\"<\/span>]<\/span>.<\/span>tolist<\/span>())<\/span>\n\ndf<\/span>.<\/span>loc<\/span>[<\/span>df<\/span>[<\/span>\"city\"<\/span>]<\/span> ==<\/span> \"\u041a\u0430\u0437\u0430\u043d\u044c\"<\/span>,<\/span> \"paid\"<\/span>]<\/span> =<\/span> 1<\/span>\nprint<\/span>(<\/span>df<\/span>[<\/span>\"paid\"<\/span>]<\/span>.<\/span>tolist<\/span>())<\/span><\/code><\/pre>\n
    ChainedAssignmentError: A value is being set on a copy of a DataFrame or Series through chained assignment.\n[1, 0, 1, 1, 1]\n[1, 1, 1, 1, 1]\n<\/code><\/pre>\n
    \u042d\u0442\u043e \u043f\u0440\u0435\u0434\u0443\u043f\u0440\u0435\u0436\u0434\u0435\u043d\u0438\u0435 (\u043f\u043e\u043a\u0430\u0437\u0430\u043d\u0430 \u043f\u0435\u0440\u0432\u0430\u044f \u0441\u0442\u0440\u043e\u043a\u0430 \u0438\u0437 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445; \u043f\u0440\u0438 \u0437\u0430\u043f\u0443\u0441\u043a\u0435 \u0441\u043a\u0440\u0438\u043f\u0442\u0430 \u043f\u0435\u0440\u0435\u0434 \u043d\u0435\u0439 \u0441\u0442\u043e\u044f\u0442 \u0438\u043c\u044f \u0444\u0430\u0439\u043b\u0430 \u0438 \u043d\u043e\u043c\u0435\u0440 \u0441\u0442\u0440\u043e\u043a\u0438, \u0438 \u0432\u044b\u0432\u043e\u0434\u0438\u0442\u0441\u044f \u043e\u043d\u043e \u0432 stderr), \u0430 \u043d\u0435 \u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u044b, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043e\u0448\u0438\u0431\u043a\u0443 \u043b\u0435\u0433\u043a\u043e \u043f\u0440\u043e\u043f\u0443\u0441\u0442\u0438\u0442\u044c: \u043e\u043f\u043b\u0430\u0442\u0430 \u0443 \u041a\u0430\u0437\u0430\u043d\u0438 \u043e\u0441\u0442\u0430\u043b\u0430\u0441\u044c 0<\/code>. \u041f\u0440\u0438\u0447\u0438\u043d\u0430 — \u0440\u0435\u0436\u0438\u043c Copy-on-Write, \u0432 pandas 3.0 \u043e\u043d \u0432\u043a\u043b\u044e\u0447\u0435\u043d \u0432\u0441\u0435\u0433\u0434\u0430. \u0412 pandas 2.x \u044d\u0442\u043e\u0442 \u0436\u0435 \u043a\u043e\u0434 \u0434\u0430\u0432\u0430\u043b SettingWithCopyWarning<\/code> \u0438 \u0442\u043e\u0436\u0435 \u043d\u0435 \u043c\u0435\u043d\u044f\u043b \u0442\u0430\u0431\u043b\u0438\u0446\u0443, \u0430 \u0434\u0440\u0443\u0433\u0438\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b \u0446\u0435\u043f\u043e\u0447\u043a\u0438 \u0438\u043d\u043e\u0433\u0434\u0430 \u0441\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u043b\u0438, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043f\u043e\u043b\u0430\u0433\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u043d\u0438\u0445 \u043d\u0435\u043b\u044c\u0437\u044f \u0431\u044b\u043b\u043e \u0438 \u0440\u0430\u043d\u044c\u0448\u0435.<\/p>\n
    groupby: \u0438\u0442\u043e\u0433\u0438 \u043f\u043e \u0433\u0440\u0443\u043f\u043f\u0430\u043c<\/h2>\n
    groupby<\/code> \u0434\u0435\u043b\u0438\u0442 \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u043d\u0430 \u0433\u0440\u0443\u043f\u043f\u044b \u043f\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u043c \u0441\u0442\u043e\u043b\u0431\u0446\u0430 \u0438 \u0441\u0447\u0438\u0442\u0430\u0435\u0442 \u0430\u0433\u0440\u0435\u0433\u0430\u0442\u044b \u043f\u043e \u043a\u0430\u0436\u0434\u043e\u0439. \u0418\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u0430\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u0441\u0440\u0430\u0437\u0443 \u0434\u0430\u0435\u0442 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u0435 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f \u0438\u0442\u043e\u0433\u043e\u0432\u044b\u0445 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432.<\/p>\n
    res<\/span> =<\/span> (<\/span>\n    df<\/span>.<\/span>groupby<\/span>(<\/span>\"course\"<\/span>,<\/span> as_index<\/span>=<\/span>False<\/span>)<\/span>\n      .<\/span>agg<\/span>(<\/span>orders<\/span>=<\/span>(<\/span>\"city\"<\/span>,<\/span> \"size\"<\/span>),<\/span> revenue<\/span>=<\/span>(<\/span>\"price\"<\/span>,<\/span> \"sum\"<\/span>),<\/span> avg_price<\/span>=<\/span>(<\/span>\"price\"<\/span>,<\/span> \"mean\"<\/span>))<\/span>\n)<\/span>\nprint<\/span>(<\/span>res<\/span>)<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>groupby<\/span>([<\/span>\"course\"<\/span>,<\/span> \"city\"<\/span>])[<\/span>\"price\"<\/span>]<\/span>.<\/span>sum<\/span>())<\/span><\/code><\/pre>\n
       course  orders  revenue  avg_price\n0  Python       3  36000.0    12000.0\n1     SQL       2   9000.0     9000.0\ncourse  city  \nPython  \u041a\u0430\u0437\u0430\u043d\u044c    12000.0\n        \u041c\u043e\u0441\u043a\u0432\u0430    12000.0\n        \u041f\u0435\u0440\u043c\u044c     12000.0\nSQL     \u041a\u0430\u0437\u0430\u043d\u044c     9000.0\n        \u041c\u043e\u0441\u043a\u0432\u0430        0.0\nName: price, dtype: float64\n<\/code><\/pre>\n
    \u0417\u0434\u0435\u0441\u044c \u0434\u0432\u0435 \u043b\u043e\u0432\u0443\u0448\u043a\u0438. size<\/code> \u0441\u0447\u0438\u0442\u0430\u0435\u0442 \u0441\u0442\u0440\u043e\u043a\u0438 (\u0443 SQL \u0438\u0445 2), \u0430 count<\/code> \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043b \u0431\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043f\u0443\u0441\u0442\u044b\u0435 \u0446\u0435\u043d\u044b (1). \u0418 \u0441\u0443\u043c\u043c\u0430 \u0433\u0440\u0443\u043f\u043f\u044b, \u0433\u0434\u0435 \u0432\u0441\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043f\u0443\u0441\u0442\u044b\u0435, \u0440\u0430\u0432\u043d\u0430 0.0<\/code> (\u043f\u0430\u0440\u0430 SQL\/\u041c\u043e\u0441\u043a\u0432\u0430), \u0430 \u043d\u0435 \u00ab\u043d\u0435\u0442 \u0434\u0430\u043d\u043d\u044b\u0445\u00bb. \u0415\u0441\u043b\u0438 \u043d\u0443\u0436\u043d\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0442\u044c \u043d\u043e\u043b\u044c \u043e\u0442 \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u044f \u0446\u0435\u043d\u044b, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0439\u0442\u0435 .sum(min_count=1)<\/code>.<\/p>\n
    \u041f\u0440\u043e\u043f\u0443\u0441\u043a\u0438: \u043d\u0430\u0439\u0442\u0438, \u0443\u0434\u0430\u043b\u0438\u0442\u044c, \u0437\u0430\u043f\u043e\u043b\u043d\u0438\u0442\u044c<\/h2>\n
    print<\/span>(<\/span>df<\/span>.<\/span>isna<\/span>()<\/span>.<\/span>sum<\/span>())<\/span>\nprint<\/span>(<\/span>df<\/span>[<\/span>\"price\"<\/span>]<\/span>.<\/span>mean<\/span>(),<\/span> df<\/span>[<\/span>\"price\"<\/span>]<\/span>.<\/span>count<\/span>())<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>dropna<\/span>(<\/span>subset<\/span>=<\/span>[<\/span>\"price\"<\/span>])<\/span>.<\/span>shape<\/span>)<\/span>\nprint<\/span>(<\/span>df<\/span>.<\/span>fillna<\/span>({<\/span>\"price\"<\/span>:<\/span> df<\/span>[<\/span>\"price\"<\/span>]<\/span>.<\/span>median<\/span>()})[<\/span>\"price\"<\/span>]<\/span>.<\/span>tolist<\/span>())<\/span>\nprint<\/span>(<\/span>df<\/span>[<\/span>\"price\"<\/span>]<\/span>.<\/span>astype<\/span>(<\/span>\"Int64\"<\/span>)<\/span>.<\/span>tolist<\/span>())<\/span><\/code><\/pre>\n
    date      0\ncity      0\ncourse    0\nprice     1\npaid      0\ndtype: int64\n11250.0 4\n(4, 5)\n[12000.0, 9000.0, 12000.0, 12000.0, 12000.0]\n[12000, 9000, <NA>, 12000, 12000]\n<\/code><\/pre>\n
    isna().sum()<\/code> \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0447\u0438\u0441\u043b\u043e \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432 \u043f\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c. \u0421\u0440\u0435\u0434\u043d\u0435\u0435 11250.0<\/code> \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043d\u043e \u043f\u043e \u0447\u0435\u0442\u044b\u0440\u0435\u043c \u0446\u0435\u043d\u0430\u043c: \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 pandas \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0438 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u044e\u0442. \u0423\u0434\u0430\u043b\u0438\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0443 (dropna<\/code>) \u0438\u043b\u0438 \u0437\u0430\u043f\u043e\u043b\u043d\u0438\u0442\u044c \u043c\u0435\u0434\u0438\u0430\u043d\u043e\u0439 (fillna<\/code>) — \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u043f\u043e \u0441\u043c\u044b\u0441\u043b\u0443 \u0434\u0430\u043d\u043d\u044b\u0445, \u0430 \u043d\u0435 \u043f\u043e \u0443\u043c\u043e\u043b\u0447\u0430\u043d\u0438\u044e: \u043c\u0435\u0434\u0438\u0430\u043d\u0430 \u0432\u043c\u0435\u0441\u0442\u043e \u043d\u0435\u0438\u0437\u0432\u0435\u0441\u0442\u043d\u043e\u0439 \u0446\u0435\u043d\u044b \u0438\u0441\u043a\u0430\u0437\u0438\u0442 \u0432\u044b\u0440\u0443\u0447\u043a\u0443. \u0422\u0438\u043f Int64<\/code> \u0441 \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0431\u0443\u043a\u0432\u044b \u0445\u0440\u0430\u043d\u0438\u0442 \u0446\u0435\u043b\u044b\u0435 \u0432\u043c\u0435\u0441\u0442\u0435 \u0441 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u043c <NA><\/code>.<\/p>\n
    \u0415\u0441\u043b\u0438 \u043d\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c: \u0441\u0438\u043c\u043f\u0442\u043e\u043c -> \u043f\u0440\u0438\u0447\u0438\u043d\u0430<\/h2>\n\n\n\n\n\n\n\n\n\n\n
    \u0421\u0438\u043c\u043f\u0442\u043e\u043c<\/th>\n\u0412\u0435\u0440\u043e\u044f\u0442\u043d\u0430\u044f \u043f\u0440\u0438\u0447\u0438\u043d\u0430<\/th>\n\u0427\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c<\/th>\n<\/tr>\n<\/thead>\n
    \u043f\u043e\u0441\u043b\u0435 read_csv<\/code> \u043e\u0434\u0438\u043d \u0441\u0442\u043e\u043b\u0431\u0435\u0446<\/td>\n\u0434\u0440\u0443\u0433\u043e\u0439 \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c<\/td>\nsep=\";\"<\/code> \u0438\u043b\u0438 sep=\"\\t\"<\/code><\/td>\n<\/tr>\n
    UnicodeDecodeError<\/code> \u043f\u0440\u0438 \u0447\u0442\u0435\u043d\u0438\u0438<\/td>\n\u0444\u0430\u0439\u043b \u043d\u0435 \u0432 UTF-8<\/td>\nencoding=\"cp1251\"<\/code><\/td>\n<\/tr>\n
    KeyError<\/code> \u043f\u0440\u0438 \u0432\u044b\u0431\u043e\u0440\u0435<\/td>\n\u043e\u043f\u0435\u0447\u0430\u0442\u043a\u0430 \u0438\u043b\u0438 \u043f\u0440\u043e\u0431\u0435\u043b \u0432 \u0438\u043c\u0435\u043d\u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u0430<\/td>\nprint(df.columns.tolist())<\/code><\/td>\n<\/tr>\n
    \u0446\u0435\u043b\u044b\u0435 \u0441\u0442\u0430\u043b\u0438 float64<\/code><\/td>\n\u0432 \u0441\u0442\u043e\u043b\u0431\u0446\u0435 \u0435\u0441\u0442\u044c \u043f\u0440\u043e\u043f\u0443\u0441\u043a<\/td>\nastype(\"Int64\")<\/code><\/td>\n<\/tr>\n
    The truth value of a Series is ambiguous<\/code><\/td>\nand<\/code>\/or<\/code> \u0432\u043c\u0435\u0441\u0442\u043e \u043e\u043f\u0435\u0440\u0430\u0442\u043e\u0440\u043e\u0432 \u043c\u0430\u0441\u043e\u043a<\/td>\n&<\/code> \u0432\u043c\u0435\u0441\u0442\u043e and, \u0432\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u044c\u043d\u0430\u044f \u0447\u0435\u0440\u0442\u0430 \u0432\u043c\u0435\u0441\u0442\u043e or, \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u0432 \u0441\u043a\u043e\u0431\u043a\u0430\u0445<\/td>\n<\/tr>\n
    \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043d\u0435 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u043b\u043e\u0441\u044c<\/td>\n\u0446\u0435\u043f\u043e\u0447\u043a\u0430 df[...][...] = ...<\/code><\/td>\ndf.loc[\u043c\u0430\u0441\u043a\u0430, \"\u0441\u0442\u043e\u043b\u0431\u0435\u0446\"] = ...<\/code><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
    \u0412\u044b\u0432\u043e\u0434\u044b<\/h2>\n