In diesem Kapitel lernst du, Textdaten zu bereinigen und zu durchsuchen, Muster aus Strings zu extrahieren und bedingte Ausdrücke zu nutzen, um Spalten zu transformieren.

Daten mit Ausdrücken transformieren

Datentypen von Spalten konvertieren

Leerzeichen entfernen

Textspalten zusammenfügen

Text suchen und extrahieren

Text durchsuchen

Zeichenketten aus Text extrahieren

Mehrere Muster ersetzen

Bedingte Ausdrücke erstellen

Kund:innen mit Bedingungen kategorisieren

Mehrere Bedingungen verketten

Fehlende Werte auffüllen

Lerne, Datumsangaben zu parsen und zu bearbeiten, Daten nach Zeiträumen zu filtern und zu aggregieren sowie gleitende und kumulative Statistiken zu berechnen.

Datumsangaben parsen und bearbeiten

Datetime-Strings parsen

Die Stundenkomponente extrahieren

Endzeiten von Mietzeiträumen berechnen

Nach Zeitraum filtern und aggregieren

Filterung nach einem bestimmten Zeitpunkt

Nach einem Zeitbereich filtern

Wöchentliche Miet-Gesamtsummen berechnen

Gleitende und kumulative Aggregationen

Eine gleitende Summe berechnen

Kumulative Ausleihen berechnen

Rollende Aggregationen über mehrere Spalten

Daten gruppenweise transformieren

Stündliche Gesamtsumme mit Window-Funktionen berechnen

Differenz vom stündlichen Mittel berechnen

Nach mehreren Spalten mit Window-Funktionen gruppieren

Arbeiten mit Zeitreihen und Window-Funktionen

Dieses Kapitel behandelt das Kombinieren von DataFrames per Konkatenation, das Joinen über eine oder mehrere Spalten sowie das Abgleichen von Zeilen anhand von Bedingungen oder nächstgelegenen Werten.

DataFrames zusammenführen

Regionale Inserate stapeln

Flag-Spalten hinzufügen

Neue Zeilen effizient hinzufügen

Host-Informationen hinzufügen

Abgleich über eindeutige Kombinationen

Alle Angebote beibehalten

Lücken in beiden DataFrames finden

DataFrames nach Bedingung oder nächster Übereinstimmung verbinden

Angebote mit Budgetanfragen abgleichen

Filtern mit mehreren Bedingungen

Abgleich mit der nächsten Preisaktualisierung

DataFrames kombinieren und verknüpfen

Lerne, wiederverwendbare benutzerdefinierte Ausdrücke zu erstellen, Daten mit Quantilen und festen Schwellwerten zu kategorisieren und Rangfolgen sowie Korrelationen zu analysieren.

Eigene Transformationen anwenden

Streams in Milliarden umrechnen

Wiederverwendbare Ausdrücke erstellen

Eine benutzerdefinierte Expression hinzufügen

Quantile und Histogramme berechnen

Beliebtheits-Perzentile berechnen

Streams in Stufen einteilen

Ein Beliebtheits-Histogramm erstellen

Ränge und Korrelationen berechnen

Alben mit Gleichstand korrekt ranken

Eine Korrelationsmatrix erstellen

Benutzerdefinierte Zusammenfassungen mit describe

Zum Abschluss

Individuelle Transformationen und fortgeschrittene Analysen

bikes

reviews

spotify

hotels

Baue deine Polars-Skills mit weiterführenden Techniken für Daten­transformation und -analyse aus. Lerne, Text zu bereinigen und zu durchsuchen, mit Zeitreihen per Rolling- und Window-Funktionen zu arbeiten und DataFrames per Joins und Konkatenation zu kombinieren. Außerdem erstellst du wiederverwendbare benutzerdefinierte Ausdrücke und wendest fortgeschrittene Analysen wie Quantile, Histogramme und Korrelationen an. Am Ende kannst du komplexe Daten-Workflows souverän bewältigen.

Introduction to Polars

Intermediate Python for Developers

Nutze Polars für Textmanipulation, rollende Statistiken, DataFrame-Joins und erweiterte Analysen.

Daten­transformation mit Polars

Polars mit Textmanipulation, rollenden Statistiken, DataFrame-Joins und fortgeschrittener Analyse vertiefen.

Data Processing and Pipeline Optimization with Polars

Data Scientist & Polars Contributor

Bestimmte Preise finden

Filtern mit pl.datetime

Nach Datum filtern mit pl.date

Einen Datetime-Bereich filtern

Nach Zeitraum aggregieren

Aggregieren in 6‑Stunden‑Fenstern

Tagesweise aggregieren

Fenstergröße steuern

Lass uns üben!

Arbeiten mit Zeitreihen und Window-Funktionen - Nach Zeitraum filtern und aggregieren

Nach Zeitraum filtern und aggregieren

Create Your Free Account