Python Class · คาบที่ 2 · 3 ชั่วโมง
Data Sciencewith Python
จาก Python พื้นฐาน สู่การวิเคราะห์ข้อมูลจริง
🐼 Pandas📈 Matplotlib🟢 Google Colab
ต่อจาก Python 101 —
วันนี้เราใช้ Python ทำงานกับข้อมูลจริง
คาบที่แล้วเขียนโค้ดเป็นแล้ว วันนี้เอาโค้ดไปถามข้อมูล
Data Science ฟังดูยาก แต่จริง ๆ คือ “เอาข้อมูลมาหาคำตอบ”
Python 101 · คาบที่แล้ว
ตัวแปรif-elseloopfunction
Data Science · วันนี้
☕ เมนูไหนขายดีสุด?📅 วันไหนลูกค้าเยอะสุด?
💡ไม่ต้องเดา — ข้อมูลบอกเราได้ · เปิด Google Colab เตรียมไว้ได้เลย
สิ่งที่จะเรียนวันนี้
7 หัวข้อ — ส่วนใหญ่เป็น Hands-on ลงมือบน Colab เอง
01Data Science คืออะไร?Concept
02Library & PandasTools
03อ่าน CSV + สำรวจข้อมูลHands-on
04Filter + GroupByHands-on
05Data CleaningHands-on
06VisualizationVisual
07Mini Project: วิเคราะห์ร้านกาแฟ ☕Project
P1–2~30 นาที
P3–4~45 นาที
พัก
P5~20 นาที
P6~45 นาที
พัก
P7 ☕~30 นาที
🧭เห็น 🟢 Colab Demo = ดูผู้สอนรันสด · เห็น ✏️ Interactive = ถึงตาเราลองเอง (มี 3 จุด)
🟢 ก่อนเริ่มสอน · เตรียมตัว
เตรียม Colab + ไฟล์ร้านกาแฟให้พร้อม
01สร้าง Notebook “DataScience_Demo”
02ซูม browser 125–150%
ให้คนหลังห้องเห็นชัด
03รันโค้ดสร้าง dataset
ก่อนเริ่มสอน
✅ สร้าง dataset เสร็จแล้ว! (200, 5)
coffee_shop.csvNEW200 แถว · 5 คอลัมน์
🧹 ช่องว่างที่แอบใส่ไว้ = โจทย์ของ Part 5
import pandas as pd
import numpy as np
np.random.seed(42)
n = 200
menus = ["Latte", "Mocha", "Espresso", "Matcha",
"Americano", "Thai Tea", "Cocoa"]
# prices · types · days → dict ราคา / ร้อน-เย็น / จันทร์–อาทิตย์
menus_list = np.random.choice(menus, n)
data = {"วันที่": …, "เมนู": menus_list, "ประเภท": …, "ราคา": …,
"จำนวน": np.random.randint(1, 8, n).astype(float)}
df = pd.DataFrame(data)
# ใส่ข้อมูลหาย (NaN) สัก 5% เพื่อฝึก Data Cleaning ทีหลัง
mask = np.random.random(n) < 0.05
df.loc[mask, "จำนวน"] = np.nan
df.to_csv("coffee_shop.csv", index=False)
print("✅ สร้าง dataset เสร็จแล้ว!", df.shape)
PART 01 · CONCEPT
Data Scienceคืออะไร?
ทำไมข้อมูลถึงสำคัญ — ก่อนลงมือทำ ต้องเข้าใจก่อนว่าเราทำอะไรอยู่
01
แค่ดูตัวเลข ตอบได้ไหมว่าเมนูไหนขายดีสุด?
Cocoa 6.0Matcha 1.0Americano 5.0Cocoa NaNEspresso 4.0Americano 4.0Americano 4.0Cocoa 4.0Mocha 4.0Espresso 6.0Cocoa NaNEspresso 3.0Espresso 2.0Americano 7.0Matcha 4.0Espresso 1.0Thai Tea 7.0Americano 6.0Mocha 1.0Matcha 1.0Thai Tea 1.0Thai Tea 3.0Mocha 6.0Matcha 1.0Americano 4.0Latte 5.0Matcha 1.0Mocha 3.0Thai Tea 7.0Americano 6.0Matcha 3.0Latte 1.0Latte 6.0Espresso 5.0Espresso 1.0Cocoa 3.0Mocha 2.0Matcha 4.0Matcha 7.0Cocoa 3.0Thai Tea 6.0Thai Tea 1.0Cocoa 4.0Thai Tea 1.0Espresso 6.0Matcha 1.0Cocoa 2.0Matcha 4.0Latte 4.0Espresso 6.0Americano 7.0Espresso NaNCocoa 3.0Americano 1.0Latte 5.0Cocoa 1.0Mocha NaNMatcha NaNLatte 1.0Matcha 2.0Thai Tea 2.0Mocha 4.0Mocha 6.0Latte 7.0Mocha 5.0Americano 1.0Mocha 1.0Matcha 3.0Matcha 6.0Cocoa 2.0Matcha 5.0Cocoa 4.0Matcha 2.0Americano 6.0Cocoa 7.0Espresso 4.0Thai Tea 7.0Latte 3.0Matcha NaNMocha 1.0Matcha 7.0Mocha 6.0Thai Tea 5.0Thai Tea 4.0Thai Tea 2.0Mocha 6.0Matcha 6.0Thai Tea 3.0Americano 7.0Cocoa 1.0Mocha 1.0Mocha 4.0Matcha 3.0Mocha 6.0Mocha 5.0Thai Tea 3.0Matcha 4.0Thai Tea 4.0Cocoa NaNCocoa 4.0Thai Tea NaNCocoa NaNMatcha 3.0Latte 7.0Thai Tea 3.0Americano 4.0Americano 7.0Mocha 4.0Cocoa 1.0Americano 1.0Mocha 7.0Latte 2.0Matcha 1.0Matcha NaNMatcha 4.0Americano 1.0Latte 1.0Americano 2.0Cocoa 7.0Americano 7.0Latte 6.0Latte 2.0Cocoa NaNLatte 7.0Latte 4.0Matcha 2.0Cocoa 1.0Espresso 4.0Espresso 4.0Latte 1.0Espresso 2.0Espresso 1.0Latte 6.0Espresso 4.0Americano 5.0Mocha 5.0Cocoa 3.0Mocha NaNLatte 1.0Matcha 1.0Cocoa 3.0Latte 3.0Matcha 3.0Mocha NaNLatte 6.0Cocoa 1.0Cocoa 4.0Thai Tea 3.0Americano 1.0Espresso 4.0Matcha 6.0Thai Tea 4.0Espresso 6.0Espresso 3.0Latte 6.0Espresso 1.0Americano 3.0Cocoa 1.0Thai Tea 5.0Espresso 2.0Latte 6.0Americano 2.0Mocha 2.0Cocoa 6.0Cocoa 3.0Thai Tea 5.0Cocoa 1.0Espresso 4.0Latte 1.0Cocoa 4.0Cocoa 1.0Mocha 6.0Mocha 5.0Matcha NaNAmericano 7.0Espresso 3.0Cocoa 1.0Cocoa 1.0Latte 4.0Matcha 3.0Americano 3.0Matcha 6.0Thai Tea 7.0Americano 6.0Cocoa 6.0Cocoa 6.0Americano 6.0Cocoa 6.0Espresso 5.0Americano 3.0Matcha 6.0Americano 3.0Cocoa 3.0Espresso 2.0Espresso 5.0Thai Tea 6.0Matcha 1.0Mocha 4.0Mocha 7.0Americano 1.0
? coffee_shop.csv · 200 แถว
ยอดขายรวม (แก้ว) ต่อเมนู · จาก 200 แถวเดียวกัน
Americano120
Cocoa103
Matcha101
Mocha101
Latte95
Thai Tea89
Espresso88
📊ทำเป็นกราฟ แค่มองก็รู้คำตอบ ไม่ต้องอ่านตัวเลขทีละแถว — นี่คือพลังของ Data Science
Data Science คืออะไร?
นำข้อมูลมาวิเคราะห์ → หา insight → ตัดสินใจได้ดีขึ้น
📥
เก็บข้อมูลยอดขาย · CSVPart 3
🧹
ทำความสะอาดช่องว่าง · ค่าผิดPart 5
🔍
วิเคราะห์filter · groupbyPart 4
📊
สื่อสารผลกราฟ · รายงานPart 6
✅
ตัดสินใจปรับเมนู · ทำโปรPart 7 ☕
🏢4 ขั้นกลางคือกระบวนการที่ทุกบริษัทใหญ่ทำ — วันนี้เราเดินครบทั้งเส้นกับข้อมูลร้านกาแฟ
ตัวอย่างที่เจอทุกวัน
เบื้องหลังแอปที่เราใช้ ก็คือ Data Science
🎬
Netflix
DATAประวัติที่เคยดู
RESULTแนะนำหนังที่น่าจะชอบ
🛒
Shopee
DATAประวัติการซื้อ
RESULTแนะนำสินค้าที่ใช่
🏪
7-Eleven
DATAlocation · คนแถวนั้นชอบซื้ออะไร
RESULTเลือกสินค้าเข้าร้าน
🔍ทั้งหมดนี้คือ Data Science — เอาข้อมูลมาช่วยตัดสินใจ แทนการเดา
PART 02 · TOOLS
Library& Pandas
เครื่องมือสำเร็จรูปสำหรับ Data Science — จะทำอาหาร ก็ต้องมีมีดกับกระทะ
02
Library คืออะไร?
กล่องเครื่องมือสำเร็จรูป — ไม่ต้องเขียนเอง แค่ import แล้วใช้
คาบที่แล้ว: เขียนเองทุกอย่าง
วันนี้: ใช้ Library ช่วย → เร็วขึ้นมาก
pdPandasจัดการข้อมูลตารางเหมือน Excel แต่เขียนโค้ดสั่ง
npNumPyคำนวณตัวเลขเร็วเป็นฐานของ Pandas
pltMatplotlibสร้างกราฟพื้นฐานปรับแต่งได้ละเอียด
snsSeabornสร้างกราฟสวยสีสวยพร้อมใช้ ตั้งค่าน้อย
📱เหมือนแอปในมือถือ — เราไม่ต้องสร้าง LINE เอง แค่โหลดมาแล้วใช้ได้เลย
🟢 COLAB DEMO · IMPORT
3 บรรทัด ใช้ได้ทั้งคาบ
# เอา Library เข้ามาใช้ — ทำแค่นี้แล้วใช้ได้ทั้งคาบเลย
import pandas as pd # pd คือชื่อย่อ ใช้สั้นขึ้น
import matplotlib.pyplot as plt # plt คือชื่อย่อ
import seaborn as sns
pd= pandas
ตารางข้อมูล
plt= matplotlib.pyplot
วาดกราฟ
sns= seaborn
กราฟสวยพร้อมใช้
✅แค่ 3 บรรทัด Library 3 ตัวพร้อมใช้งานแล้ว — ต่อไปเรียกผ่านชื่อย่อได้เลย
🟢 COLAB DEMO · DATAFRAME
DataFrame — ตารางข้อมูลของ Pandas
import pandas as pd
# สร้างข้อมูลในรูปแบบ Dictionary (คีย์คือชื่อคอลัมน์)
data = {
"ชื่อ": ["ไอซ์", "มิ้น", "บีม", "แพร"],
"คะแนน": [85, 92, 78, 95],
"สาขา": ["CS", "IT", "CS", "DS"]
}
# แปลง Dictionary → DataFrame
df = pd.DataFrame(data)
df # พิมพ์แค่ชื่อตัวแปร จะแสดงตารางสวยๆ ออกมาเลย
OUT df
| ชื่อ | คะแนน | สาขา |
| 0 | ไอซ์ | 85 | CS |
| 1 | มิ้น | 92 | IT |
| 2 | บีม | 78 | CS |
| 3 | แพร | 95 | DS |
🐼DataFrame = ตารางที่มี rows (แถว) และ columns (คอลัมน์) — เหมือน Excel 1 sheet แต่สั่งด้วยโค้ด
อ่านตารางให้เป็น: Index · Column · Row
| ชื่อ | คะแนน | สาขา |
| 0 | ไอซ์ | 85 | CS |
| 1 | มิ้น | 92 | IT |
| 2 | บีม | 78 | CS |
| 3 | แพร | 95 | DS |
? ใครคะแนนสูงสุด✓ แพร · 95
INDEXเลขแถวเริ่มจาก 0 ไม่ใช่ 1 (0-based)
COLUMNชื่อ / คะแนน / สาขาหัวตาราง แนวตั้ง
ROWข้อมูล 1 คนหนึ่งแถว แนวนอน
🤔แค่ 4 คนดูด้วยตาได้ แต่ถ้ามี 10,000 คนล่ะ? — ต้องให้โค้ดช่วย ซึ่งเราจะเรียนกันต่อจากนี้
PART 03 · HANDS-ON
อ่าน CSV+ สำรวจข้อมูล
โหลดข้อมูลจริง แล้วดูว่ามีอะไรข้างใน
03
ได้ไฟล์มาใหม่ ทำอะไรเป็นอย่างแรก?
เหมือนเปิดกล่องสินค้าแล้วตรวจของก่อน — Data Scientist ทำ 5 อย่างนี้เสมอ
| คำสั่ง | ทำอะไร | เปรียบได้กับ |
pd.read_csv("file.csv") | โหลดไฟล์ CSV → ได้ DataFrame | เปิดไฟล์ Excel |
df.head() | ดู 5 แถวแรก (ใส่ตัวเลขเปลี่ยนได้) | เปิดหน้าแรกของสมุด |
df.shape | จำนวนแถว × จำนวนคอลัมน์ | ดูว่าตารางใหญ่แค่ไหน |
df.describe() | สรุปสถิติ: เฉลี่ย สูงสุด ต่ำสุด | ดูภาพรวมของตัวเลข |
df.info() | ชนิดข้อมูล + missing values | ตรวจความสมบูรณ์ |
🟢สลับไป Colab — ลองทีละคำสั่งกับ ข้อมูลยอดขายร้านกาแฟ ที่เตรียมไว้
🟢 COLAB DEMO · READ_CSV
โหลดไฟล์ร้านกาแฟ แล้วดู 5 แถวแรก
วันที่,เมนู,จำนวน,ประเภท,ราคา
จันทร์,Cocoa,6.0,เย็น,70
อังคาร,Matcha,1.0,เย็น,90
พุธ,Americano,5.0,ร้อน,55
พฤหัส,Cocoa,,เย็น,70
# โหลดไฟล์ CSV เข้ามาเป็น DataFrame
df = pd.read_csv("coffee_shop.csv")
# ดู 5 แถวแรก — แค่นี้แหละครับ ง่ายมาก
df.head()
OUT df.head()
| วันที่ | เมนู | จำนวน | ประเภท | ราคา |
| 0 | จันทร์ | Cocoa | 6.0 | เย็น | 70 |
| 1 | อังคาร | Matcha | 1.0 | เย็น | 90 |
| 2 | พุธ | Americano | 5.0 | ร้อน | 55 |
| 3 | พฤหัส | Cocoa | NaN | เย็น | 70 |
| 4 | ศุกร์ | Espresso | 4.0 | ร้อน | 60 |
? เห็นอะไรแปลก ๆ ไหม — ช่องว่างใน CSV กลายเป็น NaN
ใหญ่แค่ไหน? แล้วตัวเลขหน้าตาเป็นยังไง?
# ข้อมูลมีกี่แถว กี่คอลัมน์?
print(df.shape)
df.describe() # ค่าเฉลี่ย ต่ำสุด สูงสุด
OUT df.describe() · ตัด 25% / 75% ออกให้อ่านง่าย
| จำนวน | ราคา |
| count | 186.000000 | 200.000000 |
| mean | 3.747312 | 71.975000 |
| std | 2.041626 | 12.112304 |
| min | 1.000000 | 55.000000 |
| 50% | 4.000000 | 70.000000 |
| max | 7.000000 | 90.000000 |
ราคาเฉลี่ย ≈ 72 บาท? จำนวนนับได้แค่ 186 ไม่ใช่ 200
df.info() — ชนิดข้อมูล + ช่องที่หายไป
# ดูว่าแต่ละคอลัมน์เป็นข้อมูลประเภทไหน มีข้อมูลหายไหม
df.info()
RangeIndex: 200 entries, 0 to 199
| # | Column | Non-Null Count | Dtype |
| 0 | วันที่ | 200 non-null | object |
| 1 | เมนู | 200 non-null | object |
| 2 | จำนวน | 186 non-null | float64 |
| 3 | ประเภท | 200 non-null | object |
| 4 | ราคา | 200 non-null | int64 |
“จำนวน” คือจำนวนแก้ว ควรเป็นเลขนับ int
↓
แต่ Pandas ให้เป็น float64
↓
เพราะมี NaN ซ่อนอยู่ 14 ช่อง (200 − 186)
🧹จำไว้ก่อน — Part 5 เราจะกลับมาจัดการช่องว่างพวกนี้
✏️ INTERACTIVE 1 · ลองเองคนละคน
Data Detective: หาคำตอบจากข้อมูลเอง
# ลองตอบคำถามเหล่านี้โดยเขียนโค้ด:
# 1. ข้อมูลมีทั้งหมดกี่แถว กี่คอลัมน์?
print(df._____shape)
# 2. ราคาเฉลี่ยของเมนูทั้งหมดคือเท่าไหร่?
print(df._____describe())
# 3. ดู 10 แถวแรก (ไม่ใช่ 5 แถว)
print(df.head(_____10))
3:00นาที · เดินดูว่าใครติดตรงไหน
ผลที่ได้
1(200, 5) → 200 แถว × 5 คอลัมน์
2ดูแถว mean → 71.975 · max → 90
3head(10) → 10 แถวแรก
🕵️นี่คือสิ่งที่ Data Analyst ทำเป็นอย่างแรกทุกครั้งที่ได้ข้อมูลใหม่มา
PART 04 · HANDS-ON
Filter+ GroupBy
เลือกเฉพาะข้อมูลที่ต้องการ — 2 ท่าที่สำคัญที่สุดของการวิเคราะห์
04
เลือกคอลัมน์: หยิบเฉพาะที่อยากดู
# อยากดูแค่คอลัมน์ "เมนู"
print(df["เมนู"].head())
# เลือกหลายคอลัมน์ → วงเล็บเหลี่ยม 2 ชั้น
df[["เมนู", "ราคา"]]
OUT 5 แถวแรก
| วันที่ | เมนู | จำนวน | ประเภท | ราคา |
| 0 | จันทร์ | Cocoa | 6.0 | เย็น | 70 |
| 1 | อังคาร | Matcha | 1.0 | เย็น | 90 |
| 2 | พุธ | Americano | 5.0 | ร้อน | 55 |
| 3 | พฤหัส | Cocoa | NaN | เย็น | 70 |
| 4 | ศุกร์ | Espresso | 4.0 | ร้อน | 60 |
🧺df["col"] ชั้นเดียว → ได้ 1 คอลัมน์ · df[["a", "b"]] สองชั้น → ได้หลายคอลัมน์
FILTER · เหมือนปุ่มกรองใน Shopee
Filter: เก็บเฉพาะแถวที่ตรงเงื่อนไข
# อยากได้เฉพาะเมนูที่ราคาเกิน 70 บาท
expensive = df[df["ราคา"] > 70]
print("ทั้งหมด:", len(df), "แถว")
print("ราคาเกิน 70:", len(expensive), "แถว")
expensive.head()
ทั้งหมด: 200 แถวราคาเกิน 70: 0 แถว
df ตัวอย่าง 7 แถว
| เมนู | ราคา | ราคา > 70 |
| 0 | Cocoa | 70 | False |
| 1 | Matcha | 90 | True |
| 2 | Americano | 55 | False |
| 4 | Espresso | 60 | False |
| 8 | Mocha | 85 | True |
| 9 | Espresso | 60 | False |
| 14 | Matcha | 90 | True |
แถว 0: 70 ไม่ “เกิน” 70 → False · อยากรวม 70 ด้วยใช้ >=
🔎ลอง df[df["ราคา"] > 100] กับไฟล์นี้ → ได้ 0 แถว เพราะแพงสุดแค่ 90 บาท
Sort: เรียงจากแพงไปถูก
# เรียงจากราคาแพงสุดไปถูกสุด
df_sorted = df.sort_values("ราคา", ascending=FalseTrue)
df_sorted.head()
Falseเรียงจากมาก → น้อย (แพงสุดขึ้นก่อน)
Trueเรียงจากน้อย → มาก (ถูกสุดขึ้นก่อน)
เมนูราคา
0Cocoa70
1Matcha90
2Americano55
4Espresso60
8Mocha85
16Thai Tea65
25Latte75
ตัวอย่าง: หยิบเมนูละ 1 แถวมาเรียงให้ดู
💡สังเกตเลข index ซ้ายสุด — ติดแถวไปด้วยเสมอ เลยรู้ว่าแต่ละแถวมาจากไหน
สองเงื่อนไข: เมนูเย็น และราคาไม่เกิน 80 บาท
df[(df["ประเภท"] == "เย็น") & (df["ราคา"] <= 80)]
→ 0 แถวจาก 200 แถว — เหลือแค่ Thai Tea กับ Cocoa
🧩แต่ละเงื่อนไขต้องมีวงเล็บ ( ) ของตัวเอง แล้วเชื่อมด้วย & (และ)
GroupBy: จัดกลุ่มก่อน แล้วค่อยคำนวณ
df.groupby("คอลัมน์ที่จัดกลุ่ม")["คอลัมน์ที่คำนวณ"].ฟังก์ชัน()
df.groupby("ประเภท"จัดกลุ่มตามประเภท)["ราคา"ดูคอลัมน์ราคา].mean()หาค่าเฉลี่ย
🔥 ร้อน
🧊 เย็น
0Cocoaเย็น70
1Matchaเย็น90
2Americanoร้อน55
3Cocoaเย็น70
4Espressoร้อน60
5Americanoร้อน55
6Americanoร้อน55
7Cocoaเย็น70
กลุ่มร้อน → mean() = 1 ค่า
กลุ่มเย็น → mean() = 1 ค่า
ประเภท
ร้อน 68.396226
เย็น 76.010638
Name: ราคา, dtype: float64
🎓เหมือนนับว่าห้องนี้มีสาขา IT / CS / DS กี่คน — บรรทัดเดียว ไม่ต้องไล่อ่านทีละคน
🟢 COLAB DEMO · GROUPBY + SORT
เมนูไหนขายดีสุด? บรรทัดเดียวรู้เลย
# เมนูไหนขายดีสุด? → groupby เมนู แล้ว sum จำนวน แล้ว sort จากมากไปน้อย
result = df.groupby("เมนูวันที่")["จำนวน"].sum().sort_values(ascending=False)
print(result)
Americano120.0
Cocoa103.0
Matcha101.0
Mocha101.0
Latte95.0
Thai Tea89.0
Espresso88.0
อาทิตย์108.0
จันทร์104.0
ศุกร์103.0
พุธ102.0
อังคาร100.0
เสาร์98.0
พฤหัส82.0
ถ้านับเองต้องไล่ 200 แถว ทีละแถว
? อยากรู้ยอดขายรายวัน ต้องเปลี่ยนอะไร
เปลี่ยน "เมนู" เป็น "วันที่" — จบ!
ตอนนี้ยังไม่ clean · sum() ข้ามช่อง NaN ไปเฉย ๆ
PART 05 · HANDS-ON
Data Cleaning
ทำความสะอาดข้อมูลก่อนวิเคราะห์ — ข้อมูลพัง ผลลัพธ์ก็พังตาม
☕ พัก 10 นาทีก่อนเริ่ม Part นี้
05
Data Cleaning — ทำไมถึงสำคัญ?
ฟอร์มที่ลูกค้ากรอกเอง: บางคนลืมกรอก บางคนกรอกเลขเป็น text บางวันบันทึกซ้ำ
0–0%
ของเวลาทำงาน Data Scientist หมดไปกับการ clean ข้อมูล
❗ ข้อมูลหาย (NaN)
ลืมกรอกจำนวน
เช็คdf.isnull().sum()แก้fillna() dropna()
❗ Data type ผิด
เช่น ราคาเป็น text
เช็คdf["ราคา"].dtypeแก้df["ราคา"].astype(float)
❗ ข้อมูลซ้ำ
duplicate · บันทึกซ้ำ
เช็คdf.duplicated().sum()แก้df.drop_duplicates()
🟢 COLAB DEMO · ข้อมูลสกปรก
เจอช่องว่าง → นับ → เติม
import numpy as np
dirty = pd.DataFrame({
"ชื่อ": ["ไอซ์", "มิ้น", None, "แพร", "บีม"],
"คะแนน": [85, None, 78, 95, None],
"สาขา": ["CS", "IT", "CS", None, "DS"]
})
print(dirty)
print("---")
print(dirty.isnull().sum())
# เติมค่าเฉลี่ยแทน NaN
avg = dirty["คะแนน"].mean()
dirty["คะแนน"] = dirty["คะแนน"].fillna(avg)
print(dirty)
OUT dirty
| ชื่อ | คะแนน | สาขา |
| 0 | ไอซ์ | 85.0 | CS |
| 1 | มิ้น | NaN86.0 | IT |
| 2 | None | 78.0 | CS |
| 3 | แพร | 95.0 | None |
| 4 | บีม | NaN86.0 | DS |
isnull().sum() → ชื่อ 1 · คะแนน 2 · สาขา 1
avg = (85 + 78 + 95) / 3 = 86.0 → fillna ✓
⚠️None ก็นับเป็นช่องว่าง · fillna รอบนี้เติมแค่คะแนน ชื่อ/สาขาที่หายยังว่างอยู่
🟢 COLAB DEMO · ข้อมูลร้านกาแฟ
ข้อมูลร้านกาแฟ หายไปกี่ช่อง?
# ดูก่อนว่ามี NaN ตรงไหนบ้าง
print(df.isnull().sum())
# ทางเลือก 1: ลบแถวที่มีค่าว่างออก
# df_clean = df.dropna()
# ทางเลือก 2: เติมค่าเฉลี่ยแทน (นิยมกว่า เพราะไม่เสียข้อมูล)
avg_qty = df["จำนวน"].mean()
print("ค่าเฉลี่ยจำนวน:", round(avg_qty, 1))
df["จำนวน"] = df["จำนวน"].fillna(avg_qty)
# ตรวจสอบผล
print("NaN หลังแก้ไข:", df.isnull().sum()["จำนวน"])
OUT df.isnull().sum()✓ NaN หลังแก้ไข: 0
| วันที่ | 0 |
| เมนู | 0 |
| จำนวน | 140 |
| ประเภท | 0 |
| ราคา | 0 |
dropna() → ลบ 14 แถว เหลือ 186 แถว
ค่าเฉลี่ยจำนวน: 3.7 → เติม 14 ช่อง ครบ 200 แถว
⚖️ลบแถว = เสียวันที่ เมนู ราคาของแถวนั้นไปด้วย · เติมค่าเฉลี่ย = ข้อมูลยังครบ ค่าไม่แปลกเกินไป
clean แล้ว… แชมป์เปลี่ยน!
ยอดขายรวม (แก้ว) ต่อเมนู — ก่อน vs หลัง fillna(ค่าเฉลี่ย)
🧹วิธีจัดการช่องว่างเปลี่ยนคำตอบได้ — clean ก่อนวิเคราะห์เสมอ และบอกคนอื่นด้วยว่าเรา clean ยังไง
PART 06 · VISUAL
Visualization
เปลี่ยนตัวเลขให้เป็นภาพ — ส่วนที่สนุกที่สุดของวันนี้
06
เลือกกราฟให้ถูกประเภท
แต่ละแบบเหมาะกับข้อมูลคนละแบบ — เลือกผิด คนอ่านจะงง
📊 Bar Chart
เปรียบเทียบจำนวน
ระหว่างกลุ่ม
เมนูไหนขายดีสุด?plt.bar(x, y)
📈 Line Chart
ดูแนวโน้ม
ตามเวลา
ยอดขายรายวันplt.plot(x, y)
🔵 Scatter Plot
ความสัมพันธ์
2 ตัวแปร
ราคา vs ยอดขายplt.scatter(x, y)
🥧 Pie Chart
สัดส่วน
เปอร์เซ็นต์
สัดส่วนยอดขายแต่ละเมนูplt.pie(values)
🖼️ทุกแบบปิดท้ายด้วย plt.show() เพื่อแสดงผล
🟢 COLAB DEMO · กราฟแรก
กราฟแรก: ไม่กี่บรรทัดก็ได้ภาพ
import matplotlib.pyplot as plt
menu = ["Latte", "Mocha", "Espresso", "Matcha"]
sales = [150, 120, 90, 180]
plt.bar(menu, sales,
color=["#2EAADC", "#4DAB9A", "#F2994A", "#9B59B6"])
plt.title("ยอดขายแต่ละเมนู")
plt.ylabel("จำนวนแก้ว")
plt.show()
ยอดขายแต่ละเมนู
จำนวนแก้ว
📊อ่านทีละบรรทัด: plt.bar(แกน X, แกน Y) → หัวเรื่อง → ป้ายแกน Y → plt.show()
4 กราฟ โครงเดียวกัน แค่เปลี่ยนชื่อฟังก์ชัน
x = df['เมนู']
y = df['จำนวน']
plt.bar(x, y, color='steelblue')
plt.show()
x = df['วันที่']
y = df['จำนวน']
plt.plot(x, y, marker='o')
plt.show()
x = df['ราคา']
y = df['จำนวน']
plt.scatter(x, y, color='tomato')
plt.show()
data = df.groupby('เมนู')['จำนวน'].sum()
plt.pie(data,
labels=data.index,
autopct='%1.1f%%')
plt.show()
🔁🟢 รัน Bar ก่อน แล้วเปลี่ยนเป็น Line → รัน → สังเกตความต่าง · เรียน bar ได้ ที่เหลือแค่เปลี่ยนชื่อ
ตกแต่งกราฟด้วย Attributes
plt.bar(x, y)กราฟเปล่า ๆ แบบเบสิก
plt.figure(figsize=(8,4))กำหนดขนาดรูป (กว้าง×สูง นิ้ว)
color='steelblue'เลือกสีกราฟ
plt.title('ยอดขายตามเมนู')ใส่หัวเรื่อง
plt.xlabel('เมนู')
plt.ylabel('จำนวน')ป้ายแกนนอน / แกนตั้ง
plt.xticks(rotation=45)หมุน label แกน X (ชื่อยาว)
plt.tight_layout()จัดขอบ ไม่ให้ label ถูกตัด
plt.show()แสดงผล
ยอดขายตามเมนู
จำนวน
AmericanoCocoaEspressoLatteMatchaMochaThai Tea
เมนู
🟢 COLAB DEMO · ข้อมูลจริง (df ที่ fillna แล้ว)
กราฟจากข้อมูลจริง
# รวมยอดขายแต่ละเมนูจาก DataFrame จริง
ยอดรวม = df.groupby("เมนู")["จำนวน"].sum()
plt.figure(figsize=(8, 4)) # กำหนดขนาดกราฟ
plt.bar(ยอดรวม.index, ยอดรวม.values)
plt.title("ยอดขายแต่ละเมนู (ข้อมูลจริง 200 แถว)")
plt.ylabel("จำนวนแก้วรวม")
plt.xticks(rotation=30) # หมุนตัวหนังสือแกน X เพราะชื่อยาว
plt.show()
ยอดขายแต่ละเมนู (ข้อมูลจริง 200 แถว)
จำนวนแก้วรวม
✨จาก 200 แถว → ไม่กี่บรรทัด ก็เห็นทันทีว่าเมนูไหนขายดี · groupby เรียงชื่อ A→Z ให้อัตโนมัติ
✏️ INTERACTIVE 2 · จับคู่กราฟ 2 นาที
ข้อมูลแบบนี้ ใช้กราฟอะไร?
ตัวเลือก:📊 Bar📈 Line🥧 Pie🔵 Scatter
01ยอดขายรายวัน 30 วัน?📈 Lineดูแนวโน้มตามเวลา
02สัดส่วนเมนูขายดี top 5?🥧 Pieดูสัดส่วน / เปอร์เซ็นต์
03เปรียบเทียบยอดขาย 4 สาขา?📊 Barเทียบจำนวนระหว่างกลุ่ม
04ความสัมพันธ์ ราคา vs ยอดขาย?🔵 Scatterความสัมพันธ์ 2 ตัวแปร
☕พัก 10 นาที — กลับมาเจอ Mini Project วิเคราะห์ร้านกาแฟด้วยตัวเอง
PART 07 · PROJECT
Mini Project ☕
วิเคราะห์ข้อมูลร้านกาแฟ — เอาทุกอย่างที่เรียนมาใช้จริง
LOAD
EXPLORE
FILTER
CLEAN
VIZ
07
Mini Project: Coffee Shop Analysis
👤 ลองเองก่อน → เทียบคำตอบกับกลุ่ม 2–3 คน⏱ 15 นาที📁 ใช้ df ที่โหลดไว้ตั้งแต่ต้นคาบ
01เมนูไหนขายดีที่สุด? (วัดจากจำนวนแก้วรวม)hint: groupby + sum + sort
02วันไหนในสัปดาห์ มีคนมาซื้อเยอะสุด?hint: groupby + sum
03ถ้าเป็นเจ้าของร้าน จะปรับกลยุทธ์ยังไง?hint: คิดเอง ไม่มีเฉลย
⭐ทำเสร็จเร็ว? ลองข้อ 4 เอง: เมนูประเภทร้อน หรือ เย็น ขายดีกว่ากัน?
✏️ INTERACTIVE 3 · STEP 1–2
เริ่มจากสำรวจ แล้วเช็กช่องว่าง
# ===== Mini Project: Coffee Shop Analysis =====
# ใช้ข้อมูลร้านกาแฟที่โหลดมาตั้งแต่ต้นคาบ
# Step 1: สำรวจข้อมูล
print("จำนวนข้อมูล:", df._____shape)
print(df._____describe())
# Step 2: ข้อมูลหายกี่ช่อง?
print(df._____isnull().sum())
คำใบ้shapedescribe / headisnull
จำนวนข้อมูล: (200, 5)
โหลดไฟล์ใหม่ → จำนวนหาย 14 ช่อง
ถ้า fillna ไปแล้วใน Part 5 → 0 ช่อง
✏️ INTERACTIVE 3 · STEP 3–5
จัดกลุ่ม เรียง แล้ววาดกราฟ
# Step 3: เมนูไหนขายดีที่สุด?
top = df.groupby("เมนู")["จำนวน"]._____sum()
top_sorted = top.sort_values(ascending=_____False)
print(top_sorted)
# Step 4: สร้าง Bar Chart เมนูขายดี Top 5
plt.bar(top_sorted.head(5).index, top_sorted.head(5).values)
plt.title("_____เมนูขายดี Top 5")
plt.show()
# Step 5: ถ้าเป็นเจ้าของร้าน จะปรับกลยุทธ์ยังไง?
# → คิดกับกลุ่มแล้วเล่าให้ห้องฟัง!
🚶ผู้สอนเดินดูทีละคน ติดตรงไหนถามได้เลย — ไม่ต้องรอให้ทุกคนเสร็จพร้อมกัน
✏️ เฉลย · หลังครบ 15 นาที
เฉลยข้อ 1–3
# ข้อ 1
result1 = df.groupby("เมนู")["จำนวน"].sum().sort_values(ascending=False)
print(result1)
# ข้อ 2
result2 = df.groupby("วันที่")["จำนวน"].sum()
print(result2.sort_values(ascending=False))
# ข้อ 3
plt.bar(result1.index, result1.values)
plt.title("ยอดขายแต่ละเมนู")
plt.ylabel("จำนวนแก้ว")
plt.xticks(rotation=30)
plt.show()
ผลของแต่ละคน เหมือนกันไหม?
ขึ้นอยู่กับว่า df ของเรา fillna ไปแล้วหรือยัง — ตัวเลขจริงจาก coffee_shop.csv
A · โหลดไฟล์ใหม่ (ยังมี NaN 14 ช่อง)
ข้อ 1 · เมนูขายดี Top 3
Americano120
Cocoa103
Matcha101
ข้อ 2 · วันขายดี / วันเงียบ
📅 อาทิตย์ 108พฤหัส 82
ข้อ 4 · ร้อน vs เย็น
🔥 ร้อน 404🧊 เย็น 293
B · หลัง fillna(ค่าเฉลี่ย) ใน Part 5
ข้อ 1 · เมนูขายดี Top 3
Cocoa121.7
Americano120.0
Matcha116.0
ข้อ 2 · วันขายดี / วันเงียบ
📅 จันทร์ 111.5พฤหัส 100.7
ข้อ 4 · ร้อน vs เย็น
🔥 ร้อน 419.0🧊 เย็น 330.5
🤝ไม่มีใครผิด — แต่ต้องบอกได้ว่า clean ข้อมูลยังไง ก่อนสรุปผลให้คนอื่นฟัง
✏️ STEP 5 · ไม่มีเฉลย
ถ้าเป็นเจ้าของร้าน จะปรับกลยุทธ์ยังไง?
ข้อมูลบอกว่า… แล้วเราจะทำอะไรต่อ?
☕Cocoa กับ Americano ขายดีสุด ราว 120 แก้ว
ควรสต็อกอะไรให้พอ?
📅พฤหัส เงียบสุด ทั้งแบบ A และ B
ทำโปรวันพฤหัสดีไหม?
🔥ร้อนขายได้มากกว่าเย็น (404 vs 293 แก้ว)
แต่ร้อนมี 4 เมนู เย็นมี 3 — เทียบแฟร์ไหม?
💬คิดกับกลุ่ม แล้วเล่าให้ห้องฟัง — ใช้ตัวเลขจากข้อมูลประกอบทุกครั้ง
สรุปสิ่งที่เรียนวันนี้
pd.read_csv()โหลดข้อมูล CSV
.head() .shape .describe()สำรวจข้อมูลก่อนเสมอ
df[df["col"] > x]Filter ข้อมูล
.groupby("col").mean()จัดกลุ่มแล้วคำนวณ
.isnull() .fillna() .dropna()ทำความสะอาดข้อมูล
plt.bar() plt.plot() plt.show()สร้างกราฟ
🧰 ก่อนคาบหน้า รันติดตั้งไว้ก่อน 5–10 นาที (โหลดนาน): !pip install transformers torch pillow -q
🤖คาบหน้า → AI & Machine Learning: จาก “วิเคราะห์ข้อมูล” เป็น “ให้คอมเรียนรู้จากข้อมูล” · มีคำถามถามได้เลย