Python for AI/Pandas/Lesson 41

Series

Pandas-এর প্রথম building block — label-ওয়ালা একটা column। index, vectorized হিসাব, value_counts, আর NumPy array থেকে কোথায় আলাদা।

সময়: 20 মিনিট
Exercise: 1
Challenge: 1
Quiz: 3 প্রশ্ন

সহজ ভাষায়

Pandas হলো table-আকারের data নিয়ে কাজ করার library — Excel-এর মতো, কিন্তু code দিয়ে আর লাখ লাখ row-এ। এর দুটো মূল জিনিস:

Series — একটা column (আজকের lesson)
DataFrame — অনেকগুলো Series মিলে একটা table (পরের lesson)

main.py

import pandas as pd

temps = pd.Series([31, 33, 29, 35], index=["Sat", "Sun", "Mon", "Tue"], name="temperature")
print(temps)
print(temps["Mon"])
print(temps.mean(), temps.max(), temps.idxmax())

Series দেখতে NumPy array-এর মতো, কিন্তু প্রতিটা মানের একটা label (index) আছে — temps["Mon"]।

কেন দরকার?

Kaggle থেকে শুরু করে বড় কোম্পানির data team — data load, পরিষ্কার, বিশ্লেষণ, আর model-এ দেওয়ার আগের প্রস্তুতি প্রায় সবসময় Pandas-এ। ML engineer-এর সময়ের বড় অংশ যায় model-এ না, data-তে — আর সেটা Pandas।

Series তৈরি

main.py

import pandas as pd

a = pd.Series([72, 85, 90])
b = pd.Series({"Rafi": 72, "Mim": 85, "Tanvir": 90})
c = pd.Series(0, index=["x", "y", "z"])

print(a, "\n")
print(b, "\n")
print(c)

Index না দিলে 0, 1, 2... নিজে থেকে বসে। Dictionary থেকে বানালে key-গুলো index হয়।

NumPy-র মতো vectorized

main.py

import pandas as pd

marks = pd.Series({"Rafi": 72, "Mim": 85, "Tanvir": 38, "Nusrat": 91})

print(marks + 5)
print(marks >= 40)
print(marks[marks >= 40])
print(marks.sort_values(ascending=False))
print(marks.describe())

describe() এক লাইনে count, গড়, std, min, max আর quartile — data-র প্রথম পরিচয়।

Index alignment: Pandas-এর বিশেষ ক্ষমতা

Pandas position না, label মিলিয়ে হিসাব করে:

main.py

import pandas as pd

january = pd.Series({"Dhaka": 120, "Sylhet": 45, "Khulna": 60})
february = pd.Series({"Khulna": 70, "Dhaka": 130, "Rajshahi": 30})

print(january + february)
print(january.add(february, fill_value=0))

ক্রম আলাদা হলেও Dhaka-র সাথে Dhaka-ই যোগ হয়েছে। Rajshahi আর Sylhet একটাতে নেই — তাই NaN (Not a Number, অর্থাৎ missing)। fill_value=0 দিলে নেই মানে ধরে নেয় 0।

value_counts আর unique

Text বা category-র column-এ সবচেয়ে কাজের method:

main.py

import pandas as pd

cities = pd.Series(["Dhaka", "Sylhet", "Dhaka", "Khulna", "Dhaka", "Sylhet"])

print(cities.value_counts())
print(cities.value_counts(normalize=True).round(2))
print(cities.nunique(), cities.unique())

dtype

main.py

import pandas as pd

print(pd.Series([1, 2, 3]).dtype)
print(pd.Series([1.5, 2.0]).dtype)
print(pd.Series(["a", "b"]).dtype)
print(pd.Series([True, False]).dtype)
print(pd.Series([1, None, 3]).dtype)

শেষেরটা খেয়াল করো: একটা missing মান থাকলেই integer column float64 হয়ে যায় — কারণ NaN আসলে একটা float। CSV থেকে data এনে "আমার ID column দশমিক কেন?" — এটাই কারণ।

Pandas 3.0 থেকে text column-এর dtype হলো str (আগের version-এ ছিল object)। পুরনো tutorial-এ object দেখলে বিভ্রান্ত হয়ো না।

Exercise

Product-এর দাম

+20 XP

prices একটা Series — index-এ product-এর নাম, মানে দাম।

discounted — সব দামে ১০% ছাড়ের পর নতুন দাম (Series)
expensive — ছাড়ের পর যেসব product-এর দাম 1000-এর বেশি, তাদের নামের list

solution.py

import pandas as pd

prices = pd.Series({"Keyboard": 1500, "Mouse": 450, "Monitor": 18000, "Cable": 200, "Headphone": 1200})

discounted = None
expensive = None

print(discounted)
print(expensive)

Quiz

Q1Series আর NumPy array-এর মূল পার্থক্য কী?
Series ধীরSeries-এর প্রতিটা মানের একটা label (index) আছেSeries-এ শুধু string রাখা যায়
Q2pd.Series([10, 20], index=['a', 'b']) + pd.Series([1, 2], index=['b', 'c'])-এর ফলাফল কী?
[11, 22]a: NaN, b: 21, c: NaNerror
Q3s.value_counts() কী দেয়?
প্রতিটা আলাদা মান কতবার এসেছে, বেশি থেকে কম ক্রমেSeries-এর দৈর্ঘ্যশুধু unique মানগুলো

0/3 answered

Challenge

Label distribution

+50 XP

Classification dataset-এ প্রতিটা class কত ভাগ আছে — model বানানোর আগে প্রথম চেক।

label_share(labels, n) function লেখো: labels-এর list নিয়ে সবচেয়ে বেশি আসা nটা label-এর অনুপাত (0 থেকে 1, 2 ঘর দশমিকে round) একটা dict হিসেবে return করবে — বেশি থেকে কম ক্রমে।

solution.py

import pandas as pd


def label_share(labels, n):
    pass


labels = ["positive"] * 6 + ["negative"] * 3 + ["neutral"]
print(label_share(labels, 2))

বাস্তবে কোথায় ব্যবহার হয়?

Model train করার আগে class imbalance চেক — challenge-এ যা বানালে, তার real ব্যবহার:

main.py

import pandas as pd

labels = pd.Series(["normal"] * 970 + ["fraud"] * 30)
share = labels.value_counts(normalize=True)
print(share)

if share.min() < 0.1:
    print(f"\nসাবধান: '{share.idxmin()}' মাত্র {share.min():.0%}।")
    print("সবসময় 'normal' বললেই accuracy হবে", f"{share.max():.0%} — কিন্তু model আসলে কিছুই শেখেনি!")

Fraud detection, রোগ নির্ণয়, spam — বাস্তবের অনেক সমস্যায় এমন imbalance। এখানে accuracy-র বদলে precision/recall দেখতে হয় (Machine Learning path-এ বিস্তারিত)।

Interview প্রশ্ন

Beginner: Series কী? Index কী কাজে লাগে?
Intermediate: দুটো Series যোগ করলে index না মিললে কী হয়? কেন এটা সুবিধা আবার বিপদও?
Advanced: Missing value থাকলে integer column কেন float হয়ে যায়? Pandas-এর nullable Int64 dtype কী সমাধান দেয়?

এরপর কী?

একটা column বুঝলাম। এবার অনেকগুলো column মিলিয়ে পুরো table — পরের lesson: DataFrame।