Začněte nyníZačněte zdarma

Domů
Kurzy
Joining Data with pandas

Sloučení tabulky se sebou samou

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Joining Data with pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Nauč se spojovat různorodá data pomocí inner joinů. Kombinací informací z více zdrojů odhalíš zajímavé poznatky, které by jinak zůstaly skryté. Dozvíš se také, jak vztah mezi zdroji dat – například one-to-one nebo one-to-many – ovlivňuje výsledek.

Exercise 1: Vnitřní spojení Exercise 2: Podle kterého sloupce provést merge?Exercise 3: Tvůj první inner join Exercise 4: Inner join a počet vrácených řádků Exercise 5: Vztahy jeden na více Exercise 6: Klasifikace vztahu jedna-k-mnoha Exercise 7: Spojení jeden na mnoho Exercise 8: Spojování více DataFrames Exercise 9: Celkový počet cestujících za měsíc Exercise 10: Sloučení tří tabulek Exercise 11: Spojení více tabulek s relací one-to-many

Posuň své znalosti joinů na vyšší úroveň. V této kapitole budeš pracovat s filmovými daty z TMDb a naučíš se left, right a outer joiny. Zjistíš také, jak sloučit tabulku samu se sebou a jak provést join na indexu DataFrame.

Exercise 1: Left join Exercise 2: Počítání chybějících řádků pomocí left join Exercise 3: Obohacení datové sady Exercise 4: Kolik řádků vrátí left join?Exercise 5: Další typy joinů Exercise 6: Right join pro nalezení unikátních filmů Exercise 7: Oblíbené žánry pomocí right join Exercise 8: Použití outer join pro výběr herců Exercise 9: Sloučení tabulky se sebou samou

Aktuální cvičení

Exercise 10: Self join Exercise 11: Jak pandas pracuje se self joiny?Exercise 12: Spojování podle indexů Exercise 13: Spojení přes index pro hodnocení filmů Exercise 14: Vydělávají pokračování víc?

V této kapitole využiješ pokročilé techniky filtrování, včetně semi-joinů a anti-joinů. Naučíš se také vertikálně spojovat DataFramy a použiješ funkci pandas.concat k vytváření nových datových sad. A protože data bývají málokdy čistá, zjistíš i to, jak ověřit integritu nově vzniklých datových struktur.

Exercise 1: Filtrovací joiny Exercise 2: Kroky semi joinu Exercise 3: Provedení anti join Exercise 4: Semi join v praxi Exercise 5: Vertikální spojování DataFramů Exercise 6: Základy concatenation Exercise 7: Spojování s klíči Exercise 8: Ověření integrity Exercise 9: Validace sloučení Exercise 10: Zřetězení a merge pro nalezení společných skladeb

V závěrečné kapitole přidáš na tempu a naučíš se využívat specializované metody pandas pro slučování časových řad a seřazených dat – a to na reálných finančních a ekonomických datech z Chicaga. Dozvíš se také, jak dotazovat výsledné tabulky ve stylu SQL a jak převracet data pomocí metody melt.

Exercise 1: Použití merge_ordered()Exercise 2: Korelace mezi HDP a S&P500 Exercise 3: Phillipsova křivka pomocí merge_ordered()Exercise 4: merge_ordered() – pozor na pořadí sloupců při slučování Exercise 5: Použití merge_asof()Exercise 6: Použití merge_asof() pro analýzu akcií Exercise 7: Vytvoření datasetu pomocí merge_asof()Exercise 8: Rozdíly mezi merge_asof() a merge_ordered()Exercise 9: Výběr dat pomocí .query()Exercise 10: Prozkoumej finanční data pomocí .query()Exercise 11: Výběr řádků pomocí .query()Exercise 12: Přetváření dat pomocí .melt()Exercise 13: Vyber správné argumenty pro .melt()Exercise 14: Použití .melt() k přetvoření vládních dat Exercise 15: Použití .melt() pro porovnání výkonnosti akcií a dluhopisů Exercise 16: Shrnutí kurzu