Diese Übung ist Teil des Kurses
Lerne, wie du unterschiedliche Daten mithilfe von inneren Joins verknüpfen kannst. Indem du Daten aus verschiedenen Quellen kombinierst, deckst du interessante Erkenntnisse auf, die bisher vielleicht verborgen waren. Du erfährst auch, wie sich die Beziehung zwischen diesen Quellen (zum Beispiel 1:1- oder 1:n-Beziehung) auf das Ergebnis auswirken kann.
Erweitere dein Wissen zu Joins! In diesem Kapitel arbeitest du mit TMDb-Filmdaten und erfährst mehr zu linksseitigen, rechtsseitigen und äußeren Joins. Außerdem lernst du, wie du eine Tabelle mit sich selbst zusammenführst und wie du anhand eines DataFrame-Index verknüpfst.
In diesem Kapitel lernst du leistungsstarke Filtertechniken kennen, darunter Semi-Joins und Anti-Joins. Außerdem lernst du, wie du DataFrames vertikal zusammenfügen und mit der pandas.concat-Funktion neue Datensätze erstellen kannst. Da Daten selten makellos vorliegen, lernst du auch, wie du deine neu kombinierten Datenstrukturen validieren kannst.
Aktuelle Übung
In diesem letzten Kapitel schaltest du einen Gang höher und lernst, die speziellen Methoden von pandas für das Verknüpfen von Zeitreihen und geordneten Daten mit realen Finanz- und Wirtschaftsdaten der Stadt Chicago anzuwenden. Außerdem lernst du, wie du die resultierenden Tabellen in einem SQL-ähnlichen Stil abfragst und wie du die Daten mit der .melt()-Methode entpivotierst.