Python til dataanalyse med pandas — guide for nybegynnere

Kom i gang med Python og pandas

For å komme i gang med dataanalyse i Python trenger du: Python 3.10+ installert, Jupyter Notebook eller JupyterLab (anbefalt for interaktiv analyse), og pandas og numpy-pakkene. Installer alt via pip: pip install pandas numpy matplotlib seaborn jupyter, eller bruk Anaconda-distribusjonen som installerer alt datavitenskapsrelevant på én gang.

Jupyter Notebook er den foretrukne arbeidsflaten for dataanalyse. Det lar deg kjøre Python-kode celle for celle, se resultater inline, og blande kode med tekst og visualiseringer. Start et Jupyter-server med kommandoen jupyter notebook i terminalen, og lag en ny notebook i nettleseren. Import-setningene du trenger øverst i notebook: import pandas as pd / import numpy as np / import matplotlib.pyplot as plt / import seaborn as sns.

DataFrame og Series — de to grunnleggende datatypene

pandas sine to kjerne-datastrukturer er Series og DataFrame. En Series er en endimensjonal array med en indeks — tenk på den som én kolonne med data. En DataFrame er en todimensjonal tabell — tenk på den som et Excel-ark — med rader og kolonner der hver kolonne er en Series.

Opprett en DataFrame manuelt: data = {"navn": ["Anna", "Bjørn", "Cecilie"], "alder": [28, 35, 22], "by": ["Oslo", "Bergen", "Trondheim"]} / df = pd.DataFrame(data). Les ut grunnleggende info: df.head() viser de fem første radene, df.info() viser kolonne-typer og null-verdier, df.describe() gir statistisk sammendrag (gjennomsnitt, standardavvik, kvartiler) for numeriske kolonner.

Datatyper i pandas: int64 og float64 for tall, object for tekst (string), bool for boolske verdier, og datetime64 for datoer. Riktige datatyper er avgjørende for ytelse og korrekthet — en kolonne med datoer lagret som tekst hindrer datooperasjoner og er tregere. Konverter med df["dato"] = pd.to_datetime(df["dato"]).

Lese inn data — CSV, Excel, SQL og mer

Den vanligste datakilden er CSV-filer. Les inn med: df = pd.read_csv("data.csv"). pandas håndterer automatisk kolonnenavn, datatyper og de fleste enkodingsproblemer. Nyttige parametere: sep=";" for semikolonseparerte filer (vanlig i norske Excel-eksporter), encoding="utf-8-sig" for norske tegn, parse_dates=["dato"] for automatisk datoparsing, og usecols=["kolonne1", "kolonne2"] for å lese bare utvalgte kolonner fra store filer.

Excel-filer: pd.read_excel("data.xlsx", sheet_name="Ark1"). SQL-databaser via SQLAlchemy: engine = create_engine("postgresql://bruker:passord@localhost/db") / df = pd.read_sql("SELECT * FROM salg WHERE år = 2025", engine). pandas kan også lese JSON (pd.read_json()), Parquet (pd.read_parquet()) og direkte fra URL-er — ekstremt nyttig for åpne datasett fra SSB og andre norske datakilder.

Skriv data: df.to_csv("resultat.csv", index=False) — index=False forhindrer at pandaindeksen skrives som en ekstra kolonne. df.to_excel("rapport.xlsx") og df.to_parquet("data.parquet") — Parquet er det beste formatet for store datasett (raskere enn CSV, komprimert, bevarer datatyper).

Datarensing — den viktigste ferdigheten

Datarensing tar 60–80 % av tiden i et typisk dataanalyseprosjekt. Finn manglende verdier: df.isnull().sum() viser antall NaN per kolonne. Håndter dem: df.dropna() fjerner rader med manglende verdier, df.fillna(0) fyller med 0, df["lønn"].fillna(df["lønn"].mean()) fyller med gjennomsnitt. For numeriske kolonner er gjennomsnitt eller median vanlig, for kategoriske er modus (hyppigste verdi) ofte bedre.

Finn og fjern duplikater: df.duplicated().sum() teller duplikater, df.drop_duplicates() fjerner dem. Håndter feil datatyper som nevnt ovenfor. Rename kolonner: df.rename(columns={"gammel_navn": "ny_navn"}) eller df.columns = ["col1", "col2", "col3"]. Filtrer bort åpenbare feil: df = df[df["alder"] > 0] fjerner rader med negativ alder.

String-operasjoner via .str-accessor: df["navn"].str.strip() fjerner mellomrom, df["navn"].str.lower() gjør alt til lowercase, df["epost"].str.contains("@gmail.com") returnerer en boolsk maske. Normaliser norske navn og tekst som varierer (f.eks. "oslo", "Oslo", "OSLO") til én konsistent form ved å bruke str.lower() + str.strip().

Aggregering og analyse — trekk ut innsikt fra data

groupby() er pandas sitt kraftigste verktøy. Det lar deg dele data inn i grupper og anvende aggregeringsfunksjoner. Eksempel: df.groupby("by")["salg"].sum() gir deg total salg per by. df.groupby(["år", "kvartal"])["omsetning"].agg(["sum", "mean", "count"]) gir sum, gjennomsnitt og antall per år og kvartal.

pivot_table() lager pivottabeller — kjent fra Excel. pd.pivot_table(df, values="salg", index="region", columns="produkt", aggfunc="sum") lager en krysstabell med regioner som rader og produkter som kolonner. merge() kombinerer DataFrames basert på felles nøkler — tilsvarende SQL JOIN. pd.merge(salg, kunder, on="kunde_id", how="left") gjør en LEFT JOIN på kunde_id.

Datooperasjoner er kraftige i pandas. Etter konvertering til datetime kan du: filtrere på datoperioder (df[df["dato"] > "2025-01-01"]), trekke ut komponenter (df["dato"].dt.year, .dt.month, .dt.weekday), og resample tidsserier (df.set_index("dato").resample("M")["salg"].sum() gir månedlig summering).

Visualisering med matplotlib og seaborn

pandas har innebygd plotting: df["salg"].plot() lager et linjediagram, df["kategori"].value_counts().plot(kind="bar") lager et søylediagram. For mer avanserte og vakre visualiseringer bruk seaborn. seaborn er bygget på matplotlib og lager statistiske visualiseringer med enkle kommandoer: sns.histplot(df["alder"]) for histogram, sns.boxplot(x="region", y="salg", data=df) for boxplot, og sns.heatmap(df.corr(), annot=True) for korrelasjonsmatrise.

matplotlib gir full kontroll over grafikk. fig, ax = plt.subplots(figsize=(12, 6)) lager en figur med én akse. ax.plot(df["dato"], df["salg"], label="Salg") tegner en linje. plt.title(), plt.xlabel(), plt.ylabel() og plt.legend() setter metadata. plt.savefig("rapport.png", dpi=150, bbox_inches="tight") lagrer grafen som fil — nyttig for rapporter.

For interaktive grafer anbefales Plotly (pip install plotly). Med Plotly Express: import plotly.express as px / fig = px.line(df, x="dato", y="salg", color="region") / fig.show(). Resultatet er interaktive grafer du kan zoome i, hover over og filtrere — perfekt for Jupyter Notebooks og Streamlit-dashboards.

Neste steg — fra dataanalyse til maskinlæring

Når du behersker pandas, er neste naturlige steg scikit-learn for maskinlæring. scikit-learn integrerer sømløst med pandas DataFrames. En enkel maskinlærings-workflow: rens og preparer data med pandas, split i trenings- og testsett med train_test_split, tren en modell (f.eks. LinearRegression eller RandomForestClassifier), evaluer med accuracy_score eller mean_squared_error.

For norske dataferdigheter er åpne datakilder fra SSB (ssb.no), Kartverket og data.norge.no spesielt nyttige. SSB tilbyr API-tilgang til statistikkdata som enkelt kan leses inn med pandas og requests. Kaggle.com tilbyr tusenvis av åpne datasett og konkurranser — ypperlig for å øve på reelle dataanalyseproblemer med tilhørende fasit.

"pandas er den mest transformative teknologien for analytikere siden Excel. Men der Excel har en grense, har pandas ingen — bortsett fra maskinens RAM."