Hoofdstuk 13 — Introductie tot pandas: Series en DataFrame

Let op: De tekst is in het Nederlands; alle Python codevoorbeelden zijn in het Engels.

Doel van dit hoofdstuk:

Begrijpen wat pandas is en wanneer je het gebruikt ten opzichte van puur Python of NumPy.
Kennismaken met de twee kernobjecten: Series en DataFrame.
Leren hoe je tabulaire data maakt, inspecteert, selecteert en bewerkt.
Inzicht krijgen in indexen, uitlijning (alignment), dtypes en omgaan met missende waarden op basisniveau.

Aanbevolen voorkennis: Python‑basis, NumPy‑arrays (Hoofdstuk 6–11).

13.1 Wat is pandas en waarom?

pandas is een bibliotheek voor data‑analyse in Python, geoptimaliseerd voor gestructureerde (tabelvormige) data. Het biedt:

Series (1D gelabelde array) en DataFrame (2D tabel met rijen en kolommen).
Krachtige indexering, selectie, groepering, reshaping en I/O (CSV, Excel, Parquet, SQL).
Vectorized operations met automatische uitlijning op labels (indexen).

Installatie (indien nodig):

pip install pandas

Basisimport:

import pandas as pd
import numpy as np

13.2 Series: een gelabelde 1D‑array

Een Series is vergelijkbaar met een 1D NumPy‑array, maar met labels (index) en rijkere functionaliteit.

13.2.1 Series maken

import pandas as pd

s = pd.Series([10, 20, 30], index=["a", "b", "c"], name="scores")
print(s)
# a    10
# b    20
# c    30
# Name: scores, dtype: int64

Belangrijke attributen: s.index, s.values, s.dtype, s.name.

Je kunt ook vanuit een dict maken (keys worden index):

data = {"apples": 3, "bananas": 5, "oranges": 2}
stock = pd.Series(data)

13.2.2 Selectie en slicing

s["a"]          # label-based; returns scalar 10
s[["a", "c"]]  # fancy indexing -> Series
s[0]             # position-based; discouraged, gebruik .iloc

s.loc["a"]      # label-based expliciet
s.iloc[0]        # position-based expliciet

s["a":"c"]     # label-slice inclusief eindlabel
s.iloc[0:2]      # position-slice exclusief einde (zoals Python/NumPy)

13.2.3 Vectorbewerkingen en uitlijning

Operaties zijn elementgewijs en worden uitgelijnd op labels.

s1 = pd.Series([1, 2, 3], index=["a", "b", "c"])
s2 = pd.Series([10, 20, 30], index=["b", "c", "d"])

s1 + s2
# a     NaN
# b    11.0
# c    23.0
# d     NaN
# dtype: float64

Missende combinaties geven NaN. Gebruik fill_value met method chaining via .add e.d.:

(s1.add(s2, fill_value=0))
# a     1.0
# b    12.0
# c    33.0
# d    30.0

13.2.4 Basisstatistiek en methodes

s.mean(), s.median(), s.std()
s.min(), s.max()
s.isna(), s.notna()
s.fillna(0)
s.astype("float32")

13.3 DataFrame: een 2D tabel

Een DataFrame is een verzameling Series die kolommen vormen, met een gedeelde rij‑index.

13.3.1 DataFrame maken

Constructors vanuit dict, lijst van dicts, NumPy, of CSV/Parquet/…

import numpy as np

df = pd.DataFrame({
    "name": ["Alice", "Bob", "Charlie"],
    "age": [25, 32, 29],
    "score": [88.5, 92.0, 79.0],
})

# Met aangepaste index
people = pd.DataFrame(
    [[25, 88.5], [32, 92.0], [29, 79.0]],
    index=["Alice", "Bob", "Charlie"],
    columns=["age", "score"],
)

Veelgebruikte attributes en inspectie:

df.shape, df.dtypes, df.index, df.columns

df.head()   # eerste 5 rijen
df.tail(3)  # laatste 3 rijen
df.info()   # kolomtypes, non-null counts
df.describe()  # numerieke samenvatting

13.3.2 Selectie: kolommen en rijen

# Kolommen
ages = df["age"]         # Series
subset = df[["name", "score"]]  # DataFrame

# Rijen
first_row = df.iloc[0]          # Series (row)
rows_1_3 = df.iloc[1:3]         # DataFrame slice
row_bob = people.loc["Bob"]    # via indexlabel

# Rijen + kolommen (2D selectie)
val = df.loc[0, "score"]       # scalar
block = df.loc[0:1, ["name", "score"]]

Regels:

Gebruik .loc[rows, cols] voor labelgebaseerd, .iloc[rows, cols] voor positiegebaseerd.
Enkelvoudige kolomselectie df["col"] geeft een Series; dubbele haken df[["c1", "c2"]] geeft een DataFrame.

13.3.3 Filteren en booleaanse indexering

mask = (df["age"] >= 30) & (df["score"] > 90)
df[mask]

# Met loc, explicieter en uitbreidbaar
df.loc[(df["age"] >= 30) & (df["score"] > 90), ["name", "score"]]

13.3.4 Nieuwe kolommen en vectorbewerkingen

df["passed"] = df["score"] >= 85

# Vectorbewerkingen uitgelijnd op index
df["score_norm"] = (df["score"] - df["score"].mean()) / df["score"].std()

# Met NumPy ufuncs
df["age_log"] = np.log(df["age"])  # werkt elementgewijs

13.3.5 Dtypes en conversies

df.dtypes

# Conversie
df["age"] = df["age"].astype("int16")
df = df.astype({"score": "float32"})

# Categoricals
cats = pd.Series(["low", "med", "high"]).astype("category")

13.3.6 Missende waarden (NaN) basis

df2 = pd.DataFrame({"a": [1, np.nan, 3], "b": [np.nan, 5, 6]})

df2.isna()           # booleaanse DataFrame
df2.dropna()         # rijen met NaN weg

df2.fillna({"a": 0, "b": df2["b"].mean()})  # per kolom vulling

13.3.7 Sorteren en herindexeren

df.sort_values(by=["score", "age"], ascending=[False, True])
df.sort_index()  # sorteer op rijindex

# Herindexeren
df_re = df.reindex([0, 1, 2, 3])  # voegt evt. NaN toe voor ontbrekende rijen

13.4 Indexfilosofie en uitlijning

Indexen labelen rijen/kolommen en sturen selectie, join/merge, en alignment.
Operaties tussen Series/DataFrames lijnen uit op indexlabels; ontbrekende labels → NaN.
Reset/zet index waar nuttig:

df_reset = people.reset_index(names="person")
df_set = df_reset.set_index("person")

13.5 In‑/uitvoer (teaser)

Uitgebreide I/O volgt in Hoofdstuk 14. Kort voorbeeld:

# CSV lezen en schrijven
df = pd.read_csv("data.csv")
df.to_csv("out.csv", index=False)

# Parquet (vereist pyarrow of fastparquet)
# df.to_parquet("out.parquet")

13.6 Veelvoorkomende valkuilen en tips

Gebruik .loc en .iloc i.p.v. df[row][col] (dat maakt onnodige kopieën en kan SettingWithCopyWarnings geven).
Let op automatische uitlijning; het is vaak gewenst, maar kan tot NaN leiden als labels niet overeenkomen.
Werk zoveel mogelijk kolomgewijs (vectorized) in plaats van rij‑loops voor performance en duidelijkheid.
Gebruik df.info() en df.dtypes vroeg om types en missende waarden te begrijpen.

Je leerde de basis van pandas met Series en DataFrame: maken, selecteren, filteren, berekenen, en omgaan met missende waarden. In de volgende hoofdstukken duiken we in I/O (CSV/Excel/Parquet/SQL), wrangling en groeperen/pivoteren.

Python Data