In diesem Kapitel legen wir die Grundlage dafür, mit pandas Daten zu joinen. Du lernst die Arten von Joins kennen und wie pandas deine Effektivität und Produktivität steigern kann.

Daten zusammenführen: eine Notwendigkeit in der Praxis

Warum wir Daten zusammenführen müssen

Mit aufgeteilten Daten arbeiten

Mit ergänzenden Daten arbeiten

Konkatenation

Zeilen konkatenierten

Zeilen mit doppelten Indizes zusammenfügen

Spalten zusammenfügen

Leistung und Flexibilität

Statement

Wahre Aussagen

Falsche Aussagen

Vorteile von pandas-Joins

Einfacher Code für komplexe Merges

Einführung in das Joinen von Daten

In diesem Kapitel lernst du, wie du mit pandas Daten auf eine Weise joinst, die der Verwendung von VLOOKUP-Formeln in einer Tabellenkalkulation ähnelt. Du lernst drei Arten von Joins kennen und konzentrierst dich dann auf die erste Art: One-to-one-Joins.

Arten von Joins

One-to-one-Joins

One-to-many-Joins

Many-to-many-Joins

Ein genauerer Blick auf One-to-one-Joins

Das Gerüst entwirren.

VLOOKUP nachbilden

Merge mit zwei oder mehr Schlüsseln

Gemeinsame Daten mit Inner Joins kombinieren

Objektorientierte Merges

Einfache Inner Joins

Mit unterschiedlichen Namen umgehen

Die richtige Join-Methode wählen

Joins im VLOOKUP-Stil

In diesem Kapitel konzentrieren wir uns auf One-to-many-Beziehungen. Du übst, die Beziehung von Schlüssels palten zu erkennen und DataFrames über Spalten zu joinen. Außerdem lernst du, wie du zwei oder mehr DataFrames anhand ihrer Indizes joinst.

"Aus vielen wird eins"

Framework Teil 2: One-to-many-Merges

One-to-many-Beziehungen erkennen

Joinen über Schlüsselspalten

Auf doppelte Schlüssel prüfen

Eine One-to-many-Merge abschließen

Indexbasierte Joins

Joinen über den Index

Mehrere Tabellen verknüpfen

Rückblick: One-to-many-Join

Im letzten Kapitel lernst du fortgeschrittene Join-Techniken für herausfordernde Daten. Zum Abschluss wartet eine Fallstudie als Challenge auf dich, in der du deine Fähigkeiten unter Beweis stellst.

Daten im echten Leben verbinden

Indizes und Spalten mischen

Suffixe und Indikatoren

Mit Zeitdaten arbeiten

Zeitreihen kombinieren

Abgleich mit der nächsten Zeit

Rückblick und Fallstudie

Fallstudie – Herausforderung, Teil 1

Fallstudie – Teil 2

Fallstudie – Teil 3

Fortgeschrittene Joins

Games Plays

Players draft

Current players

Games

New weather data

Zwei oder mehr Datensätze zu verknüpfen ist für fast jede reale Analyse nötig. Das hast du schon mit Tabellenkalkulationen per VLOOKUP und verwandten Funktionen gemacht. Kannst du darauf aufbauen, wenn du in die Welt von Python wechselst? Ja! In diesem Kurs lernst du alles Wichtige, um Datensätze mit pandas zusammenzuführen – dem Goldstandard in Python für die Arbeit mit tabellarischen Daten. Du wendest pandas-Funktionen an, um Daten aus der National Football League (NFL) in einer dir vertrauten Tabellenumgebung zu kombinieren. Mit diesen Fähigkeiten kannst du die Power von pandas nutzen und größere, komplexere Datensätze in jede Analyse integrieren.

Python for Spreadsheet Users

Lernen Sie, Datensätze effizient mit der Python-Pandas-Bibliothek zu verbinden.

Pandas-Joins für Spreadsheet-Nutzer

Hier lernst du, wie du Datensätze im Tabellenformat mit der Python-Bibliothek pandas effektiv und effizient zusammenführst.  

Du kannst DataFrames auf mehr als einer Spalte oder Indexebene verknüpfen, ohne zu konkatinieren.

Viele beliebte Machine-Learning-Pakete in Python akzeptieren pandas-DataFrames als Eingaben.

Du kannst in einem einzelnen Statement nur zwei ursprüngliche DataFrames verknüpfen.

DataFrames haben ein Limit von 16.777.216 Zeilen (2\*\*22).

Vorteile von pandas-Joins

Interaktive praktische Übung