V této kapitole se naučíš čistit a prohledávat textová data, extrahovat vzory z řetězců a používat podmíněné výrazy k transformaci sloupců.

Transformace dat pomocí výrazů

Převod datových typů sloupce

Odstraňování mezer

Spojování textových sloupců

Hledání a extrakce textu

Vyhledávání v textu

Extrakce řetězců z textu

Nahrazení více vzorů najednou

Vytváření podmíněných výrazů

Kategorizace zákazníků pomocí podmínek

Řetězení více podmínek

Doplnění chybějících hodnot

Naučíš se parsovat a upravovat data, filtrovat a agregovat data podle časových období a počítat klouzavé a kumulativní statistiky.

Parsování a práce s daty

Parsování řetězců s datem a časem

Extrakce složky hodiny

Výpočet časů konce výpůjček

Filtrování a agregace podle časového období

Filtrování podle konkrétního data a času

Filtrování podle časového rozsahu

Výpočet týdenních součtů půjčoven

Klouzavé a kumulativní agregace

Výpočet klouzavého součtu

Výpočet kumulativních výpůjček

Klouzavé agregace na více sloupcích

Transformace dat podle skupin

Výpočet hodinového součtu pomocí okenních funkcí

Výpočet odchylky od hodinového průměru

Seskupování podle více sloupců s využitím okenních funkcí

Práce s časovými řadami a okenními funkcemi

Tato kapitola se věnuje kombinování DataFrames pomocí zřetězení, joinům na jednom nebo více sloupcích a párování řádků na základě podmínek nebo nejbližších hodnot.

Zřetězení DataFramů

Skládání regionálních nabídek

Přidání sloupců s příznakem

Efektivní přidávání nových řádků

Spojování DataFrames

Přidání informací o hostitelích

Spojení na základě jedinečných kombinací

Zachování všech záznamů

Hledání mezer v obou DataFramech

Spojování DataFramů podle podmínky nebo nejbližší hodnoty

Párování nabídek s požadavky na cenu

Filtrování s více podmínkami

Párování s nejbližší aktualizací ceny

Kombinování a spojování DataFrames

Naučíš se vytvářet znovupoužitelné vlastní výrazy, kategorizovat data pomocí kvantilů a pevných prahů a analyzovat pořadí a korelace.

Aplikace vlastních transformací

Převod streamů na miliardy

Vytváření znovupoužitelných výrazů

Přidání vlastního výrazu

Výpočet kvantilů a histogramů

Výpočet kvantilů popularity

Rozdělení streamů do kategorií

Sestavení histogramu popularity

Výpočet pořadí a korelací

Žebříček alb s ošetřením shodných hodnot

Sestavení korelační matice

Vlastní souhrny pomocí describe

Shrnutí

Vlastní transformace a pokročilá analytika

bikes

reviews

spotify

hotels

Posuň své znalosti Polars dál s pokročilými technikami transformace a analýzy dat. Naučíš se čistit a prohledávat text, pracovat s časovými řadami pomocí klouzavých a okenních funkcí a kombinovat DataFrames pomocí joinů a zřetězení. Vytvoříš si také znovupoužitelné vlastní výrazy a použiješ pokročilé analytické metody, jako jsou kvantily, histogramy a korelace. Po absolvování kurzu budeš připraven/a zvládat složité datové workflows se sebejistotou.

Introduction to Polars

Intermediate Python for Developers

Vylepšete Polars manipulací textu, klouzavými statistikami, spojováním DataFrame a pokročilou analýzou.

Data Transformation with Polars

Posuňte Polars dál s manipulací textu, klouzavými statistikami, spojováním DataFrame a pokročilou analytikou.

Data Processing and Pipeline Optimization with Polars

Data Scientist & Polars Contributor

Spojování DataFrames podle podmínky nebo nejbližší shody

Spojování podle podmínky

Uživatelé aplikace s preferencemi

Tabulka uživatelů

Spojování podle více podmínek

Spojování podle nejnovějších hodnot

Spojování podle nejbližších hodnot

Volba strategie

Volba strategie – zpětně

Volba strategie – nejbližší

Volba strategie – dopředně

Párování v rámci skupin

Pojďme cvičit!

Kombinování a spojování DataFrames - Spojování DataFramů podle podmínky nebo nejbližší hodnoty

Spojování DataFramů podle podmínky nebo nejbližší hodnoty

Create Your Free Account