CommencezCommencez gratuitement

Repérer les doublons

Une nouvelle mise à jour du pipeline de données alimentant ride_sharing a ajouté la colonne ride_id, qui représente un identifiant unique pour chaque trajet.

Cependant, cette mise à jour a coïncidé avec une baisse radicale de la durée moyenne des trajets et des années de naissance d’utilisateurs fixées dans le futur. Plus important encore, le nombre de trajets effectués a augmenté de 20 % du jour au lendemain, ce qui vous porte à croire qu’il pourrait y avoir des doublons complets et incomplets dans le DataFrame ride_sharing.

Dans cet exercice, vous allez confirmer ce soupçon en trouvant ces doublons. Un échantillon de ride_sharing est disponible dans votre environnement, ainsi que tous les modules avec lesquels vous avez travaillé jusqu’ici.

Cette activité fait partie du cours

Nettoyage des données en Python

Voir le cours

Instructions de l’exercice

  • Repérez les lignes en double de ride_id dans le DataFrame ride_sharing en définissant keep à False.
  • Filtrez ride_sharing avec duplicates, triez par ride_id et assignez le résultat à duplicated_rides.
  • Affichez, dans cet ordre, les colonnes ride_id, duration et user_birth_year de duplicated_rides.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Find duplicates
duplicates = ____.____(____, ____)

# Sort your duplicated rides
duplicated_rides = ride_sharing[____].____('____')

# Print relevant columns of duplicated_rides
print(duplicated_rides[['____','____','____']])
Modifier et exécuter le code