# فصل ۰۳ — `DataFrame`: جدولِ واقعی در پایتون

<div dir="rtl">

# فصل ۰۳ — `DataFrame`: جدولِ واقعی در پایتون

## در این فصل چه یاد می‌گیری

آرایه برای عددِ خالص عالی است، ولی دادهٔ واقعی فقط عدد نیست: ستونِ نام دارد، ستونِ شهر دارد، خانهٔ خالی دارد، و ستون‌هایش **اسم** دارند نه شماره. در این فصل `pandas` را می‌بینی و `DataFrame` را — ابزاری که در کلِ کارِ داده بیشترین استفاده را دارد. یک فایلِ واقعی با ۲۴۴ ردیف می‌خوانی و در همان ده دقیقهٔ اول چهار مشکلِ جدی در آن پیدا می‌کنی، بدونِ اینکه هنوز یک خط پاک‌سازی نوشته باشی.

![یک برگهٔ جدولِ برش‌خورده که سرستون‌هایش برجسته‌اند و یکی از ستون‌هایش کاملاً از بقیه بیرون کشیده شده](/lesson-assets/t2-s03-pandas/prompt/01-image-dataframe-anatomy.png)

آخر این فصل می‌توانی:

- یک فایلِ `CSV` را بخوانی و در چند خط بفهمی داخلش چیست
- تفاوتِ `DataFrame` و `Series` را بگویی
- با `info()` و `dtypes` نوعِ هر ستون را ببینی و بفهمی چرا این اولین چیزی است که چک می‌کنی
- با `describe()` و `value_counts()` اولین تصویرِ داده را بگیری

## قبل از شروع

**از فصل ۱:** `shape` و `dtype` و اینکه هر ستون یک نوع دارد.

**از ترمِ ۱ فصل ۴:** `dict` — چون یک `DataFrame` در ذهنت چیزی شبیهِ «دیکشنری‌ای از ستون‌ها» است.

**سلولِ راه‌اندازی:** بالای نوت‌بوک یک سلول هست که فایلِ `laptops.csv` را می‌سازد — دادهٔ **ساختگی** ولی با همان کثیفی‌هایی که دادهٔ واقعی دارد. یک بار اجرایش کن. ساختگی بودنش عمدی است: این‌طور نوت‌بوک همیشه و بدونِ اینترنت کار می‌کند و عددهای تو دقیقاً با کتاب می‌خوانند.

> 💡 **نکته:** آن سلول را باز کن و نگاهش کن، ولی **اگر همه‌اش را نفهمیدی نگران نشو و رویش وقت نگذار.** عمداً از ابزارهایی استفاده می‌کند که هنوز نرسیده‌ای — چند تایشان را در فصل‌های ۴ و ۵ همین ترم می‌بینی و بقیه را در ترمِ ۵. کارش فقط ساختنِ فایل است؛ **درسِ این فصل از خطِ `read_csv` به بعد شروع می‌شود.**

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/sarnakh/term-2-data/session-03-pandas.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. خواندنِ فایل، و اولین نگاه

</div>

```python
import pandas as pd

df = pd.read_csv("laptops.csv")

print(df.shape)
print(list(df.columns))
print(df.head())
```

<div dir="rtl">

</div>

```text
(244, 5)
['brand', 'city', 'year', 'ram_gb', 'price']
   brand    city  year  ram_gb       price
0    اپل  اصفهان  2021    32.0  58,500,000
1   لنوو    مشهد  2019    16.0  23,400,000
2    اپل   تهران  2024     8.0  54,200,000
3  ایسوس    مشهد  2023     8.0    32900000
4   لنوو   تهران  2019     8.0  20,500,000
```

<div dir="rtl">

`read_csv` یک فایلِ متنیِ ویرگول‌جدا را می‌خواند و به `DataFrame` تبدیل می‌کند. نامِ `df` یک قراردادِ جهانی است و در هر کدی که بخوانی همین را می‌بینی.

سه چیز را همین حالا ببین:

- `shape` می‌گوید **۲۴۴ ردیف و ۵ ستون**. عادت کن این اولین چیزی باشد که چاپ می‌کنی.
- ستونِ سمتِ چپ که از صفر می‌شمارد، **اندیس** (`index`) است. جزوِ ستون‌ها نیست؛ شناسهٔ ردیف است.
- و حالا به ستونِ `price` نگاه کن. بعضی مقدارها ویرگولِ هزارگان دارند و بعضی نه. این یک هشدارِ جدی است.

## ۲. `Series` در برابر `DataFrame`

</div>

```python
one_column = df["price"]
two_columns = df[["brand", "price"]]

print(type(one_column))
print(type(two_columns))
print(one_column.head(3))
```

<div dir="rtl">

</div>

```text-approx
<class 'pandas.Series'>
<class 'pandas.DataFrame'>
0    58,500,000
1    23,400,000
2    54,200,000
Name: price, dtype: str
```

<div dir="rtl">

**دو تکه از این خروجی به نسخهٔ `pandas` بستگی دارند و ممکن است روی دستگاهِ تو کمی متفاوت باشند:** مسیرِ کاملِ نوع (در نسخه‌های قدیمی‌تر `<class 'pandas.core.series.Series'>`) و نامِ نوعِ ستونِ متنی (در نسخه‌های قدیمی‌تر `object` به‌جای `str`). چیزی که در همهٔ نسخه‌ها یکی است، همین دو جمله است:

- `df["price"]` با **یک کروشه** یک ستونِ تنها می‌دهد که نوعش `Series` است — یک آرایهٔ تک‌بعدی با اندیس و نام.
- `df[["brand", "price"]]` با **دو کروشه** یک `DataFrame` می‌دهد. کروشهٔ داخلی در واقع یک `list` از نامِ ستون‌هاست.

این تفاوت را یاد بگیر، چون خیلی از خطاهای بعدی از همین می‌آید: بعضی توابع `Series` می‌خواهند و بعضی `DataFrame`.

> ✅ **چک کن:** آن خطِ آخرِ خروجی — `Name: price, dtype: ...` — بخشی از خودِ `Series` است. اگر آن را ندیدی، احتمالاً دو کروشه گذاشته‌ای و `DataFrame` گرفته‌ای.

## ۳. `dtypes`: اولین چیزی که باید چک کنی

</div>

```python
print(df.dtypes)
```

<div dir="rtl">

</div>

```text-approx
brand         str
city          str
year        int64
ram_gb    float64
price         str
dtype: object
```

<div dir="rtl">

شکلِ دقیقِ این خروجی به نسخهٔ `pandas` بستگی دارد — در نسخه‌های قدیمی‌تر به‌جای `str` کلمهٔ `object` را می‌بینی. چیزی که مهم است و در همهٔ نسخه‌ها یکی است، این جمله است:

**ستونِ `price` عدد نیست، متن است.**

و این یعنی هیچ محاسبه‌ای رویش کار نمی‌کند. `df["price"].mean()` یا خطا می‌دهد یا — بدتر — چیزی می‌دهد که معنا ندارد. دلیلش را در بخشِ ۱ دیدی: آن ویرگول‌های هزارگان. `read_csv` وقتی می‌بیند بعضی مقدارها عدد نیستند، **کلِ ستون را متن می‌کند** و هیچ هشداری هم نمی‌دهد.

`ram_gb` هم `float64` است، نه `int64`. چرا؟ چون خانه‌های خالی دارد و در `pandas` مقدارِ گم‌شده یک عددِ اعشاریِ خاص است، پس کلِ ستون اعشاری می‌شود.

> ⚠️ **مواظب باش:** این پرکاربردترین منبعِ باگِ خاموش در کارِ داده است. یک ستونِ «عددی» که در واقع متن است، در هر محاسبه‌ای نتیجهٔ غلط یا خطا می‌دهد — و اگر مرتب‌سازی کنی، `"58,500,000"` قبل از `"9,000,000"` می‌آید چون **الفبایی** مقایسه می‌شوند نه عددی. `dtypes` را همیشه، بلافاصله بعد از `read_csv`، نگاه کن.

## ۴. `info()`: همه‌چیز در یک نگاه

</div>

```python
df.info()
```

<div dir="rtl">

</div>

```text-approx
<class 'pandas.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   brand   244 non-null    str
 1   city    244 non-null    str
 2   year    244 non-null    int64
 3   ram_gb  217 non-null    float64
 4   price   244 non-null    str
dtypes: float64(1), int64(1), str(3)
memory usage: 9.7 KB
```

<div dir="rtl">

ستونِ `Non-Null Count` مهم‌ترین بخشِ این خروجی است: چهار ستون ۲۴۴ مقدار دارند، ولی `ram_gb` فقط **۲۱۷** تا. یعنی **۲۷ خانهٔ خالی**.

پس تا اینجا بدونِ نوشتنِ یک خط پاک‌سازی، دو مشکل پیدا کردی: ستونِ قیمت متن است، و ستونِ حافظه خانهٔ خالی دارد. سومی را بخشِ بعد نشان می‌دهد.

## ۵. `describe()` و `value_counts()`: اولین تصویر

</div>

```python
print(df.describe())
```

<div dir="rtl">

</div>

```text
              year      ram_gb
count   244.000000  217.000000
mean   2020.663934   11.981567
std      12.202415    7.488240
min    1998.000000    4.000000
25%    2018.000000    8.000000
50%    2020.000000    8.000000
75%    2022.000000   16.000000
max    2205.000000   32.000000
```

<div dir="rtl">

`describe()` برای هر ستونِ **عددی** خلاصهٔ آماری می‌دهد. سه چیزِ گفتنی:

- فقط دو ستون آمد، چون بقیه عددی نیستند. **نبودنِ `price` در این جدول خودش یک یافته است.**
- به `max` ستونِ `year` نگاه کن: **۲۲۰۵**. یک لپ‌تاپ از سالِ ۲۲۰۵. و `min` هم ۱۹۹۸ است. این سومین مشکل است — مقدارِ غیرممکن.
- `std` ستونِ `year` برابرِ ۱۲٫۲ است، در حالی که نیمهٔ میانیِ داده بینِ ۲۰۱۸ و ۲۰۲۲ است. **یک مقدارِ پرتِ تنها، انحرافِ معیار را منفجر می‌کند.**

> 🌱 **ریشه‌اش کجاست:** `25%` و `50%` و `75%` را **چارک** می‌گویند: عددی که یک‌چهارم، نصف، و سه‌چهارمِ داده زیرِ آن است. `50%` همان **میانه** است. اگر می‌خواهی بدانی چرا میانه در برابرِ مقدارِ پرت مقاوم است ولی میانگین نه — دقیقاً همان چیزی که در همین خروجی می‌بینی — [ریشه، ترم ۶ فصل ۶](/courses/risheh/lessons/term-6-probability-statistics/session-06-center-spread) بازش می‌کند.

برای ستون‌های غیرعددی، ابزارِ درست `value_counts` است:

</div>

```python
print(df["brand"].value_counts())
```

<div dir="rtl">

</div>

```text
brand
ایسوس    67
لنوو     51
دل       46
اچ پی    36
اپل      28
ايسوس    12
اچ پي     4
Name: count, dtype: int64
```

<div dir="rtl">

هفت برند؟ ولی فقط پنج برند وجود دارد. با دقت نگاه کن: «ایسوس» و «ايسوس» دو ردیفِ جدا هستند، و همین‌طور «اچ پی» و «اچ پي». **تفاوتشان یک حرف است که چشمِ تو آن را یکسان می‌بیند** — «ی» فارسی در برابرِ «ي» عربی.

این چهارمین مشکل است، و بدترینشان: هیچ خطایی نمی‌دهد، در `info()` دیده نمی‌شود، و اگر بخواهی میانگینِ قیمت را برندبه‌برند حساب کنی، ۱۲ ردیفِ «ایسوس» در گروهِ اشتباه می‌روند.

> 📏 **اندازه بگیر:** توجه کن که این چهار مشکل را با **چهار دستور** پیدا کردیم: `dtypes`، `info`، `describe`، `value_counts`. هیچ‌کدام هوشمندانه نبودند؛ فقط **نگاه کردیم**. این دقیقاً معنای قانونِ اولِ دوره است: «اول داده را ببین». کسی که مستقیم سراغِ مدل برود، هر چهارتای این‌ها را با خودش وارد مدل می‌کند و بعد ماه‌ها دنبالِ دلیلِ نتیجهٔ عجیب می‌گردد.

## ۶. یک خطای واقعی: محاسبه روی ستونِ متنی

</div>

```python-broken
print(df["price"].mean())
```

<div dir="rtl">

</div>

```text
TypeError: Could not convert string '58,500,000...' to numeric
```

<div dir="rtl">

دقیقاً همان چیزی که پیش‌بینی کردیم. `pandas` نمی‌تواند میانگینِ یک ستونِ متنی را بگیرد.

نکتهٔ آموزنده این است که این‌جا **خوش‌شانس بودیم** که خطا گرفتیم. حالتِ خطرناک‌تر وقتی است که عملیاتی روی متن هم تعریف شده باشد و بی‌سروصدا نتیجهٔ بی‌معنا بدهد:

</div>

```python
print(df["price"].max())
print(df["price"].sort_values().head(3).tolist())
```

<div dir="rtl">

</div>

```text
9100000
['10000000', '10000000', '11,200,000']
```

<div dir="rtl">

`max` جواب داد — و جوابش غلط است. گران‌ترین لپ‌تاپ ۹٫۱ میلیون نیست؛ در بخشِ ۱ یکی به قیمتِ ۵۸ میلیون دیدیم. ولی چون مقایسه **الفبایی** انجام شد، متنی که با `9` شروع می‌شود از متنی که با `5` شروع می‌شود بزرگ‌تر شد.

خروجیِ مرتب‌سازی هم همان‌قدر بی‌معناست: `'11,200,000'` بعد از `'10000000'` آمده، و ارزان‌ترین‌ها اصلاً این‌ها نیستند. **دو مقدار که یکی ویرگول دارد و یکی ندارد، حتی با هم قابلِ مقایسه نیستند.**

(آن `.tolist()` آخرِ خط کارِ مهمی نمی‌کند: ستون را به یک `list` سادهٔ پایتون تبدیل می‌کند تا سه مقدار در یک خط و کنارِ هم چاپ شوند، به‌جای شکلِ چندخطیِ `Series`.)

> 🔧 **اگر کار نکرد:** اگر جایی عددی گرفتی که با شهودت جور درنمی‌آید، **اول `dtype` آن ستون را چاپ کن**. یک ستونِ متنی که فکر می‌کنی عددی است، بی‌سروصداترین باگِ کلِ کارِ داده است. راهِ رفعش را در فصلِ ۵ کامل می‌بینی.

> 🤖 **از دستیارت بپرس:** «چه دلایلی باعث می‌شود `read_csv` یک ستونِ عددی را به‌عنوان متن بخواند؟ فقط فهرست کن.» جوابش احتمالاً ویرگولِ هزارگان، واحدِ چسبیده مثل «سکه»، رشتهٔ خالی و علامتِ سؤال را می‌آورد. برای هر مورد که گفت، یک نمونهٔ کوچک بساز و امتحان کن واقعاً همین اتفاق می‌افتد یا نه.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| pandas | پانداس | کتابخانهٔ اصلیِ کار با دادهٔ جدولی در پایتون |
| DataFrame | دیتافریم | جدول: چند ستونِ نام‌دار با یک اندیسِ مشترک |
| Series | سری‌ز | یک ستونِ تنها؛ آرایهٔ تک‌بعدی با اندیس و نام |
| index | ایندِکس | شناسهٔ ردیف‌ها؛ جزوِ ستون‌ها نیست |
| value_counts | ولیو کانتس | شمارشِ تکرارِ هر مقدار در یک ستون |

<div dir="rtl">

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا `df["price"].max()` جوابی داد که غلط است، در حالی که `df["price"].mean()` خطا داد؟

**تمرینِ اجباری:** همان دستورِ بخشِ ۵ را روی ستونِ `city` اجرا کن: `value_counts()` بگیر و بشمار چند شهرِ متمایز می‌بینی. آیا عددی که می‌بینی با پنج شهرِ واقعی می‌خواند؟ اگر نه، دو مقدارِ مشکوک را پیدا کن و با `repr()` چاپشان کن تا ببینی تفاوتشان دقیقاً چیست. `repr(x)` مقدار را همان‌طور که پایتون می‌بیندش نشان می‌دهد — با گیومه و با نویسه‌های نامرئی — نه همان‌طور که روی صفحه خوانا به‌نظر می‌رسد؛ برای همین `print(" تهران ")` و `print("تهران")` یکسان دیده می‌شوند ولی `repr` تفاوتشان را لو می‌دهد. (راهنمایی: به فاصله‌ها نگاه کن.)

**تمرینِ ستاره‌دار ⭐:** یک فهرستِ نوشته‌شده از **همهٔ** مشکلاتی که در این فصل پیدا کردیم بساز — چهار مورد در متنِ فصل، به‌علاوهٔ پنجمی که خودت در تمرینِ اجباری روی ستونِ `city` پیدا کردی. برای هرکدام بنویس: با کدام دستور پیدا شد، اگر نادیده گرفته شود چه نتیجهٔ غلطی می‌سازد، و حدس بزن رفعش چقدر کار دارد. این فهرست را نگه دار؛ در فصلِ ۵ یکی‌یکی رفعشان می‌کنیم و آن‌وقت حدس‌هایت را می‌سنجی.

## در فصل بعد

حالا می‌دانی داخلِ جدول چه خبر است. فصلِ بعد یاد می‌گیری از داخلش چیزی **بیرون بکشی**: ستونِ خاص، ردیف‌هایی که شرطی دارند، مرتب‌شده بر اساسِ چیزی که برایت مهم است، و ستونِ تازه‌ای که خودت می‌سازی. همان ماسکِ شرطیِ فصلِ ۲ برمی‌گردد — این بار روی یک جدولِ واقعی.

</div>

---
Source: https://yaadestan.com/courses/sarnakh/lessons/t2/s03-pandas (یادستان, Yaadestan)
