1. 学ぶ
    2. /
  2. コース
    3. /
  3. Nettoyage des données en Python
Connected

演習

Traiter les doublons

Dans le dernier exercice, vous avez pu confirmer que la nouvelle mise à jour alimentant ride_sharing contient un bogue qui génère, pour certaines valeurs de la colonne ride_id, des lignes dupliquées complètes et incomplètes, avec à l’occasion des écarts dans les colonnes user_birth_year et duration.

Dans cet exercice, vous allez traiter ces lignes dupliquées en supprimant d’abord les doublons complets, puis en fusionnant les doublons incomplets en une seule ligne tout en conservant la duration moyenne et le user_birth_year minimal pour chaque ensemble de doublons incomplets.

指示

100 XP
  • Supprimez les doublons complets dans ride_sharing et enregistrez le résultat dans ride_dup.
  • Créez le dictionnaire statistics qui contient l’agrégation minimale pour user_birth_year et l’agrégation mean pour duration.
  • Supprimez les doublons incomplets en groupant par ride_id et en appliquant l’agrégation définie dans statistics.
  • Repérez à nouveau les doublons et exécutez l’instruction assert pour vérifier la déduplication.