LoslegenKostenlos loslegen

Startseite
Kurse
Daten mit pandas verknüpfen

Verknüpfung einer Tabelle mit sich selbst

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.

Diese Übung ist Teil des Kurses

Daten mit pandas verknüpfen

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

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.

Exercise 1: Innerer Join Exercise 2: Verknüpfung anhand welcher Spalte?Exercise 3: Dein erster innerer Join Exercise 4: Innere Joins und Anzahl der zurückgegebenen Zeilen Exercise 5: 1:n-Beziehungen Exercise 6: 1:n-Klassifizierung Exercise 7: 1:n-Verknüpfung Exercise 8: Verknüpfung mehrerer DataFrames Exercise 9: Fahrgäste pro Monat Exercise 10: Verknüpfung von drei Tabellen Exercise 11: 1:n-Verknüpfung mit mehreren Tabellen

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.

Exercise 1: Linksseitiger Join Exercise 2: Zählen fehlender Zeilen mit linksseitigem Join Exercise 3: Anreicherung eines Datensatzes Exercise 4: Wie viele Zeilen mit linksseitigem Join?Exercise 5: Weitere Joins Exercise 6: Rechtsseitiger Join zur Auswahl von Filmtiteln Exercise 7: Rechtsseitiger Join zur Bestimmung beliebter Genres Exercise 8: Äußerer Join zur Auswahl von Schauspielerinnen und Schauspielern Exercise 9: Verknüpfung einer Tabelle mit sich selbst

Aktuelle Übung

Exercise 10: Reflexiver Join Exercise 11: Wie funktionieren reflexive Joins in pandas?Exercise 12: Verknüpfung über Indizes Exercise 13: Indexverknüpfung für Filmbewertungen Exercise 14: Erzielen Fortsetzungen höhere Umsätze?

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.

Exercise 1: Filternde Joins Exercise 2: Schritte beim Semi-Join Exercise 3: Programmierung von Anti-Joins Exercise 4: Programmierung von Semi-Joins Exercise 5: Vertikale Verkettung von DataFrames Exercise 6: Grundlagen der Verkettung Exercise 7: Verkettung mit Schlüsseln Exercise 8: Überprüfung der Integrität Exercise 9: Validierung einer Verknüpfung Exercise 10: Verkettung und Verknüpfung zur Suche nach beliebten Songs

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.

Exercise 1: Verwendung von merge_ordered()Exercise 2: Korrelation zwischen BIP und S&P500 Exercise 3: Phillipskurve mit merge_ordered()Exercise 4: Vorsicht bei merge_ordered() und mehreren Spalten Exercise 5: Verwendung von merge_asof()Exercise 6: Verwendung von merge_asof() zur Aktienanalyse Exercise 7: Verwendung von merge_asof() zur Datensatzerstellung Exercise 8: Unterschiede zwischen merge_asof() und merge_ordered()Exercise 9: Auswahl von Daten mit .query()Exercise 10: Analyse von Finanzdaten mit .query()Exercise 11: Zeilenauswahl mit .query()Exercise 12: Datenumformung mit .melt()Exercise 13: Auswahl der richtigen .melt()-Argumente Exercise 14: Umformung von Behördendaten mit .melt()Exercise 15: Vergleich der Performance von Aktien und Anleihen mit .melt()Exercise 16: Kurszusammenfassung