V této kapitole si vybudujeme základ pro spojování dat pomocí pandas. Dozvíš se o typech joinů a o tom, jak pandas zvýší tvoji efektivitu a produktivitu.

Spojování dat: nezbytná součást praxe

Proč potřebujeme spojovat data

Práce s rozdělenými daty

Práce s doplňkovými daty

Konkatenace

Zřetězení řádků

Zřetězení řádků s duplicitními indexy

Spojování sloupců

Síla a flexibilita

Tvrzení

Pravdivá tvrzení

Nepravdivá tvrzení

Výhody spojování dat v pandas

Jednoduché sloučení složitých dat

Úvod do spojování dat

V této kapitole se naučíš používat pandas pro spojování dat podobně, jako když ve tabulkovém procesoru pracuješ s funkcí VLOOKUP. Seznámíš se třemi typy joinů a podrobněji se zaměříš na první z nich – join one-to-one.

Typy joinů

Spojení jedna ku jedné

Spojení jeden na mnoho

Spoje many-to-many

Podrobnější pohled na spoje typu 1:1

Správné pořadí kroků

Replikace VLOOKUPu

Spojování podle dvou nebo více klíčů

Kombinování společných dat pomocí inner joinů

Objektově orientované merging

Základní inner join

Práce s různými názvy sloupců

Výběr správné metody spojení

Joins ve stylu VLOOKUP

V této kapitole se zaměříme na vztahy one-to-many. Procvičíš si rozpoznávání vztahů klíčových sloupců a spojování datových rámců podle sloupce. Naučíš se také spojovat dva nebo více datových rámců na základě jejich indexů.

"Z mnoha jedno"

Framework část 2: spojení typu one-to-many

Identifikace vztahů one-to-many

Spojování podle klíčových sloupců

Hledání duplicitních klíčů

Dokončení spojení one-to-many

Spojování podle indexu

Spojení podle indexu

Spojování více tabulek

Opakování spojení one-to-many

Joins typu one-to-many

V závěrečné kapitole se naučíš pokročilé techniky joinů, které se hodí při práci s náročnými daty. Čeká tě také vlastní výzva v podobě případové studie, která prověří tvoje dovednosti.

Spojování dat v praxi

Kombinace indexů a sloupců

Přípony a indikátory

Práce s časovými daty

Spojování časových řad

Párování k nejbližšímu času

Shrnutí a případová studie

Případová studie – část 1

Případová studie – část 2

Případová studie – část 3

Pokročilé joins

Players draft

Current players

New weather data

Games Plays

Games

Spojování dvou nebo více datových sad je nezbytnou součástí téměř každé reálné analýzy. Už jsi to dělal/a v tabulkách pomocí funkce VLOOKUP a podobných nástrojů. Dokážeš na tyto zkušenosti navázat při přechodu do světa Pythonu? Ano! V tomto kurzu se naučíš, jak spojovat datové sady pomocí pandas – zlatého standardu Pythonu pro práci s tabulkovými daty. Pandas funkce si procvičíš na datech z amerického fotbalu (NFL) v prostředí, které ti připomene práci s tabulkami. S těmito dovednostmi budeš moct naplno využít sílu pandas a zapojit větší a složitější datové sady do jakékoli analýzy.

Python for Spreadsheet Users

Naučte se efektivně spojovat datové sady v tabulkovém formátu pomocí knihovny Python Pandas.

Pandas Joins pro uživatele tabulkových procesorů

Naučte se efektivně a rychle spojovat datové sady v tabulkovém formátu pomocí knihovny Python Pandas.  

Data frames lze spojovat podle více než jednoho sloupce nebo úrovně indexu, aniž by bylo nutné je zřetězit.

Mnoho populárních balíčků pro Machine Learning v Pythonu přijímá pandas data frames jako vstup.

V rámci jednoho příkazu lze spojit pouze dva původní data frames.

Data frames mají limit 16 777 216 řádků (2\*\*22).

Výhody spojování dat v pandas

Pandas Joins pro uživatele tabulkových procesorů

Interaktivní praktické cvičení