Data Analysis with Polars and Python

Phân tích Dữ liệu với Polars và Python

Làm chủ phân tích dữ liệu cùng thư viện Polars mạnh mẽ! Cập nhật cho năm 2026. Tất cả bộ dữ liệu đều được cung cấp — chào đón người mới bắt đầu!

4.7

(22 đánh giá)

276 học viên

Giảng viên

Boris Paskhaver

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 899.000đ -94%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

22.0 giờ video

191 bài giảng

19 bài quiz

7 bài coding

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 31/05/2026

#Data Analysis #Data Science #Polars #Python

Bạn sẽ học được gì

Nắm vững các thao tác xử lý dữ liệu trong Polars như sắp xếp, lọc, nhóm, xoay trục, nối ghép và nhiều hơn nữa!

Hiểu cú pháp dạng biểu thức, theo phong cách hàm của Polars để xây dựng các chuỗi logic phức tạp

Sử dụng LazyFrame để tạo các kế hoạch truy vấn phức tạp mà Polars có thể tối ưu hóa cho hiệu suất

Làm việc với nhiều loại dữ liệu bao gồm văn bản, thời gian, số, cấu trúc lồng ghép, v.v.

Yêu cầu

Kinh nghiệm cơ bản/trung cấp với phần mềm bảng tính như Microsoft Excel/Google Sheets (các hàm thông dụng, vlookup, countif, pivot table, v.v.)

Kinh nghiệm cơ bản với ngôn ngữ lập trình Python (chúng tôi sẽ ôn lại kiến thức nền tảng nếu bạn hoàn toàn mới!)

Kiến thức vững về các kiểu dữ liệu (chuỗi, số nguyên, số thực dấu phẩy động, boolean), v.v.

Đối tượng phù hợp

Chuyên viên phân tích dữ liệu và chuyên viên phân tích kinh doanh

Người dùng Excel/Google Sheets muốn học một phần mềm mạnh mẽ hơn cho phân tích dữ liệu

Nhà phát triển quen thuộc với Pandas muốn khám phá tân binh mới nổi trong hệ sinh thái khoa học dữ liệu Python

Nội dung khóa học

18 phần • 191 bài giảng

1 Chào mừng đến với Polars

2 Tải Tài liệu Khóa học (Bộ dữ liệu và Jupyter Notebook)

3 [macOS] Giới thiệu về Terminal

4 [macOS] Cài đặt uv, trình quản lý gói và dự án Python

5 [macOS] Tải Tài liệu Khóa học và Thiết lập Dự án

6 [Windows] Giới thiệu về PowerShell

7 [Windows] Cài đặt uv, trình quản lý gói và dự án Python

8 [Windows] Tải Tài liệu Khóa học và Thiết lập Dự án

9 Khởi động và Tắt Jupyter Lab

10 Giới thiệu về Jupyter Lab

11 Thiết lập Ruff Formatter trong Jupyter Lab

12 Nhập Thư viện vào Jupyter Lab

1 Chú thích

2 Kiểu Dữ liệu

3 Toán tử

4 Toán tử Bằng và Không Bằng

5 Biến

6 Hàm Dựng sẵn

7 Hàm Tự định nghĩa

8 Phương thức Xử lý Chuỗi

9 List

10 Vị trí Chỉ mục và Cắt lát

11 Tuple

12 Dictionary

13 Lớp và Đối tượng

14 Nhập Module

15 Nhập Thư viện

16 Số Nguyên Không Dấu và Có Dấu

1 Nhập Series của Polars

2 Tạo một Series

3 Suy luận Kiểu Dữ liệu

4 Thuộc tính

5 Giá trị Khuyết thiếu

6 Phương thức alias

7 Nhập File CSV với Hàm read_csv

8 Phương thức head và tail

9 Tối ưu Bộ nhớ và Tham số schema_overrides

10 Sắp xếp một Series

11 Phương thức Toán học

12 Phương thức Làm tròn

13 Sự Khác biệt giữa Polars và Pandas

1 Giới thiệu về DataFrame

2 Tạo DataFrame từ đầu

3 Đọc DataFrame từ CSV

4 Không có Chỉ mục, Không Vấn đề

5 Giới thiệu về Expression

6 Phương thức select I

7 Đổi tên Cột

8 Phương thức select II

9 Phương thức select III: Nhắm mục tiêu theo Kiểu Dữ liệu

10 Expression như các Khối Xây dựng

11 Expression Đếm Giá trị

12 Trích xuất Một hoặc Nhiều Hàng

13 Cú pháp Cắt lát List

14 Expression Nhắm vào Giá trị Hàng

15 Trích xuất Một Giá trị từ DataFrame với Phương thức item

16 Trích xuất Hàng theo Vị trí Chỉ mục với Phương thức gather và gather_every

17 Trích xuất Một Tập Giá trị Ngẫu nhiên

18 Ép kiểu Cột sang Kiểu Khác

19 Tùy chỉnh Lược đồ DataFrame

20 Đổi tên Cột

21 Thuộc tính name

22 Xóa Cột

23 Thay thế Giá trị

24 Phép toán I

25 Phép toán II

26 Phép toán Tích lũy

27 Phương thức with_columns

28 Hàm all và exclude

1 Phương thức fill_null

2 Nội suy

3 Xóa Dữ liệu Khuyết thiếu

4 Sắp xếp theo Một Cột

5 Sắp xếp theo Nhiều Cột I

6 Sắp xếp theo Nhiều Cột II

7 Ký tự so với Byte

8 Sắp xếp dựa trên Expression

9 Phương thức top_k và bottom_k

10 Phương thức rank

11 Phương thức shuffle

12 Đếm và Trích xuất Giá trị Duy nhất

13 Phương thức value_counts

1 Giới thiệu về Bộ dữ liệu

2 Phương thức filter

3 Lọc với Toán tử Toán học

4 Lọc với Giá trị Khuyết thiếu

5 Lọc với Cột Boolean

6 Áp dụng Logic Và (Nhiều Biểu thức Boolean)

7 Lọc với Đối số Từ khóa

8 Áp dụng Logic Hoặc

9 Thứ tự Ưu tiên Toán tử

10 Áp dụng Logic Hoặc Loại trừ (xor)

11 Lọc Giá trị Duy nhất và Trùng lặp

12 Lọc với Dữ liệu Thời gian

13 Phương thức is_between

14 Phương thức is_in

15 Phương thức remove

16 Phủ định với Ký tự Tilde

17 When, Then, Otherwise

18 Phân vùng DataFrame

1 Giới thiệu về Bộ dữ liệu

2 Inner Join

3 Tham số on

4 Full Join

5 Left và Right Join

6 Semi Join

7 Anti Join

8 Cross Join / Tích Descartes

9 Join trên Nhiều Cột

10 Tham số validate

11 Phương thức join_asof I

12 Phương thức join_asof II: Dung sai

13 Phương thức join_asof III: Tham số by

1 Nối Dọc

2 Nối Ngang

3 Nối Chéo

4 Nối Căn chỉnh

5 Nối Nới lỏng

6 Gom Lại Khối

7 Phương thức vstack

8 Phương thức extend

9 Phương thức hstack

1 DataFrame Rộng so với Dài

2 Phương thức unpivot để Chuyển DataFrame Rộng thành DataFrame Dài

3 Phương thức pivot để Chuyển DataFrame Dài thành DataFrame Rộng

4 Pivot Table I

5 Pivot Table II

6 Phương thức transpose

1 Array và List

2 Phương thức str.split

3 Namespace list

4 Sắp xếp List

5 Phương thức explode

6 Explode với Nhiều Cột chứa List

7 Phép toán

8 Phương thức list.eval, list.any, và list.all

9 Nối Giá trị Cột

10 Array

11 Thuộc tính arr

1 Giới thiệu về Struct

2 Phương thức struct.field và unnest

3 Phương thức value_counts

4 Đổi tên Trường của Struct

5 Sử dụng Struct để Làm việc với Dữ liệu Lồng ghép

6 Sử dụng Struct để Xác định Trùng lặp qua các Cột

1 Giới thiệu về Bộ dữ liệu

2 Chuyển đổi Chữ hoa/Chữ thường

3 Xóa Khoảng trắng

4 Xóa Tiền tố và Hậu tố

5 Ký tự so với Byte

6 Cắt lát Chuỗi

7 Phương thức Lọc

8 Biểu thức Chính quy

9 Nhóm Bắt

10 Thay thế Giá trị

11 Tìm Tên Nhân viên Dài nhất

1 Dữ liệu Phân loại

2 Namespace cat

3 Enum

4 Enum, Categorical và Sắp xếp

1 Nhập Bộ dữ liệu với Dữ liệu Thời gian

2 Phân tích cú pháp Dữ liệu Thời gian với Phương thức strptime

3 Phân tích cú pháp Ngày và Giờ

4 Chuyển đổi từ Ngày sang Chuỗi

5 Trích xuất Thành phần Thời gian

6 Lọc theo Ngày, Giờ và Thời điểm

7 Cộng và Trừ Thời gian I

8 Cộng và Trừ Thời gian II

9 Duration

10 Múi giờ I

11 Múi giờ II - Chuyển đổi

1 Ôn tập các Chiến lược Nhắm mục tiêu

2 Giới thiệu về Selector

3 Lựa chọn theo Kiểu dữ liệu

4 Lựa chọn theo Vị trí cột

5 Thao tác Tập hợp với Selector

1 Giới thiệu về Bộ dữ liệu của chúng ta

2 Giới thiệu về Phân nhóm

3 Các Phương thức GroupBy

4 Giá trị Lớn nhất và Nhỏ nhất theo từng Nhóm

5 Tổng hợp với phương thức agg

6 Sử dụng Selector trong Tổng hợp

7 Phân nhóm theo Nhiều cột

8 Phân nhóm Dữ liệu Thời gian

9 Hàm Cửa sổ và phương thức over

1 LazyFrame và Đánh giá Nhanh so với Chậm

2 Hàm scan_csv và phương thức collect

3 Vấn đề về Thời gian

4 Chuyển đổi DataFrame thành LazyFrame

5 Hạn chế của LazyFrame

1 Nội dung Bổ sung

Giới thiệu khóa học

Welcome to the most comprehensive Polars course on Udemy!

Data Analysis with Polars and Python offers 22+ hours of in-depth video tutorials on the powerful Polars data analysis library. The course also includes a wide collection of datasets, quizzes, and coding challenges to aid your learning.

Why Polars?

The core of Polars is written in Rust, one of the fastest programming languages in the world. At the same time, the library enables us to write our code in Python, the most popular language in the world. We gain the best of both worlds -- the speed and efficiency of Rust and the simplicity and elegance of Python.

Who is this Course For?

The course is designed for learners of all skill levels, from experienced data analysts to students who have never programmed before. Lessons include:

installing Python and Polars on your computer
understanding the core mechanics of Python
working with the Jupyter Lab coding environment

Whether you've spent time in a spreadsheet software like Microsoft Excel/Google Sheets or another data analysis library like Pandas, Polars can help take your data analysis skills to the next level.

What Topics Will We Cover?

We'll cover the core objects of Polars including:

Series
DataFrames
LazyFrames

Most of our work will focus on the DataFrame, a 2-dimensional table of rows and columns. We'll cover data manipulation operations including:

sorting
filtering
grouping
aggregating
de-duplicating
pivoting
deleting
joining
replacing
working with text data
working with temporal/datetime data

We'll also cover some of Polar's unique column data types including:

lists
arrays
structs

and more!

Data Analysis with Polars and Python

I'm excited to share everything I've learned about Polars, a powerful library that is quickly emerging as a dominant competitor in Python's data science ecosystem. I look forward to seeing you in the course!