🌐 [translation-sync] [pandas, pandas_panel] Update lectures for pandas 3.0 compatibility (#127)

* Update translation: lectures/pandas.md

* Update translation: .translate/state/pandas.md.yml

* Update translation: lectures/pandas_panel.md

* Update translation: .translate/state/pandas_panel.md.yml

Author: mmcky

.translate/state/pandas.md.yml

@@ -1,6 +1,6 @@
-source-sha: 02e57a5befc2a9a081019edc748aba15e4b2f02a
-synced-at: "2026-04-09"
+source-sha: 811accdd4ed8803df3a7123ada3b560bc3110712
+synced-at: "2026-06-19"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 5
-tool-version: 0.14.0
+tool-version: 0.15.0

.translate/state/pandas_panel.md.yml

@@ -1,6 +1,6 @@
-source-sha: 126eb49056ad1b685638c1820ebb7b4c89cabf89
-synced-at: "2026-03-20"
-model: unknown
-mode: RESYNC
+source-sha: 811accdd4ed8803df3a7123ada3b560bc3110712
+synced-at: "2026-06-19"
+model: claude-sonnet-4-6
+mode: UPDATE
 section-count: 6
-tool-version: 0.13.0
+tool-version: 0.15.0

lectures/pandas.md

@@ -354,10 +354,10 @@ df.loc[complexCondition]
 
 توانایی ایجاد تغییرات در دیتافریم‌ها برای تولید یک مجموعه داده تمیز برای تحلیل آینده مهم است.
 
-**1.** می‌توانیم به راحتی از `df.where()` برای "نگه داشتن" سطرهایی که انتخاب کرده‌ایم استفاده کنیم و بقیه سطرها را با هر مقدار دیگری جایگزین کنیم
+**1.** می‌توانیم به راحتی از `df.where()` برای "نگه داشتن" سطرهایی که انتخاب کرده‌ایم استفاده کنیم و بقیه سطرها را با `NaN` جایگزین کنیم
 
 ```{code-cell} ipython3
-df.where(df.POP >= 20000, False)
+df.where(df.POP >= 20000)
 ```
 
 **2.** به سادگی می‌توانیم از `.loc[]` برای مشخص کردن ستونی که می‌خواهیم تغییر دهیم استفاده کنیم و مقادیر را اختصاص دهیم

lectures/pandas_panel.md

@@ -147,21 +147,21 @@ stacking و unstacking سطوح `MultiIndex` در سراسر این سخنران
 `.stack()` پایین‌ترین سطح ستون `MultiIndex` را به index ردیف می‌چرخاند (`.unstack()` در جهت مخالف کار می‌کند - امتحان کنید)
 
 ```{code-cell} ipython3
-realwage.stack(future_stack=True).head()
+realwage.stack().head()
 ```
 
 همچنین می‌توانیم یک آرگومان برای انتخاب سطحی که می‌خواهیم stack کنیم ارسال کنیم
 
 ```{code-cell} ipython3
-realwage.stack(level='Country', future_stack=True).head()  # future_stack=True is required until pandas>3.0
+realwage.stack(level='Country').head()
 ```
 
 استفاده از یک `DatetimeIndex` انتخاب یک دوره زمانی خاص را آسان می‌کند.
 
 انتخاب یک سال و stacking کردن دو سطح پایین‌تر `MultiIndex` یک مقطع عرضی از داده‌های پانلی ما ایجاد می‌کند
 
 ```{code-cell} ipython3
-realwage.loc['2015'].stack(level=(1, 2), future_stack=True).transpose().head() # future_stack=True is required until pandas>3.0
+realwage.loc['2015'].stack(level=(1, 2)).transpose().head()
 ```
 
 برای بقیه سخنرانی، ما با یک dataframe از حداقل دستمزدهای واقعی ساعتی در کشورها و زمان، اندازه‌گیری شده در دلار 2015 آمریکا کار خواهیم کرد.
@@ -358,7 +358,7 @@ plt.show()
 
 همچنین می‌توانیم یک سطح از `MultiIndex` (در محور ستون) را برای تجمیع بر روی آن مشخص کنیم.
 
-در مورد `groupby` ما نیاز داریم از `.T` برای transpose کردن ستون‌ها به ردیف‌ها استفاده کنیم زیرا `pandas` استفاده از `axis=1` را در متد `groupby` منسوخ کرده است.
+در مورد `groupby`، ما نیاز داریم از `.T` برای transpose کردن ستون‌ها به ردیف‌ها استفاده کنیم، زیرا `pandas` پشتیبانی از `axis=1` را در متد `groupby` حذف کرده است.
 
 ```{code-cell} ipython3
 merged.T.groupby(level='Continent').mean().head()
@@ -388,7 +388,7 @@ plt.show()
 `.describe()` برای بازیابی سریع تعدادی از آمار خلاصه رایج مفید است
 
 ```{code-cell} ipython3
-merged.stack(future_stack=True).describe()
+merged.stack().describe()
 ```
 
 این یک روش ساده شده برای استفاده از `groupby` است.
@@ -558,4 +558,4 @@ plt.show()
 ```
 
 ```{solution-end}
-```
+```