Nombre total d'usagers dans un mois

Votre objectif est de trouver le nombre total de trajets effectués par des usagers passant par la station Wilson (station_name == 'Wilson') dans le réseau de transport en commun de Chicago, les jours de semaine (day_type == 'Weekday') en juillet (month == 7). Heureusement, Chicago publie ces données détaillées, mais elles se trouvent dans trois tableaux différents. Vous allez fusionner ces tableaux pour répondre à la question. Ces données diffèrent de celles liées aux affaires que vous avez vues jusqu'ici, mais toute l'information nécessaire pour répondre à la question est fournie.

Les DataFrames cal, ridership et stations ont été chargés pour vous. La relation entre les tableaux est illustrée dans le diagramme ci-dessous.

Diagramme des tableaux. Le tableau cal est relié à ridership par year, month et day. Le tableau ridership est relié au tableau stations par station_id.

Cette activité fait partie du cours

Assembler des données avec pandas

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Merge the ridership and cal tables
ridership_cal = ridership.merge(____)

Modifier et exécuter le code

Cette activité fait partie du cours

Assembler des données avec pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Découvrez comment fusionner des données disparates à l'aide de jointures internes (inner joins). En combinant l'information provenant de plusieurs sources, vous mettrez au jour des insights percutants qui étaient peut‑être cachés. Vous verrez aussi comment la relation entre ces sources, comme un‑à‑un ou un‑à‑plusieurs, peut influer sur votre résultat.

Exercise 1: Jointure interne Exercise 2: Sur quelle colonne faire la fusion?Exercise 3: Votre première jointure interne Exercise 4: Jointures internes et nombre de lignes retournées Exercise 5: Relations un à plusieurs Exercise 6: Classification un à plusieurs Exercise 7: Fusion un-à-plusieurs Exercise 8: Fusionner plusieurs DataFrames Exercise 9: Nombre total d'usagers dans un mois

Exercice en cours

Exercise 10: Fusion de trois tables Exercise 11: Fusion un-à-plusieurs avec plusieurs tables

Poussez plus loin vos connaissances des jointures. Dans ce chapitre, vous travaillerez avec des données de films de TMDb en explorant les jointures gauche, droite et externe. Vous apprendrez aussi à fusionner un tableau avec lui‑même et à joindre en utilisant l'index d'un DataFrame.

Exercise 1: Jointure gauche Exercise 2: Compter les lignes manquantes avec un left join Exercise 3: Enrichir un jeu de données Exercise 4: Combien de lignes avec une jointure gauche ?Exercise 5: Autres jointures Exercise 6: Jointure droite pour trouver les films uniques Exercise 7: Genres populaires avec une jointure à droite Exercise 8: Utiliser une jointure externe pour sélectionner des acteurs Exercise 9: Fusionner une table avec elle-même Exercise 10: Jointure auto-référencée Exercise 11: Comment pandas gère-t-il les auto-jointures?Exercise 12: Fusionner sur des index Exercise 13: Fusion par index pour les cotes de films Exercise 14: Les suites rapportent-elles plus?

Dans ce chapitre, vous exploiterez de puissantes techniques de filtrage, notamment les semi‑jointures et les anti‑jointures. Vous apprendrez aussi à « coller » des DataFrames en les combinant verticalement et en utilisant la fonction pandas.concat pour créer de nouveaux jeux de données. Enfin, comme les données sont rarement propres, vous verrez comment valider vos nouvelles structures de données combinées.

Exercise 1: Filtres par jointure Exercise 2: Étapes d'un semi join Exercise 3: Effectuer un anti-join Exercise 4: Effectuer un semi-join Exercise 5: Concaténer des DataFrames verticalement Exercise 6: Notions de base sur la concaténation Exercise 7: Concaténer avec des clés Exercise 8: Vérifier l'intégrité Exercise 9: Valider une fusion Exercise 10: Concaténer et fusionner pour trouver les chansons en commun

Dans ce dernier chapitre, vous passerez à la vitesse supérieure et apprendrez à appliquer les méthodes spécialisées de pandas pour assembler des séries temporelles et des données ordonnées, à partir de données financières et économiques réelles de la Ville de Chicago. Vous apprendrez aussi à interroger les tableaux résultants avec une syntaxe de type SQL et à dé-pivoter des données avec la méthode melt.

Exercise 1: Utiliser merge_ordered()Exercise 2: Corrélation entre le PIB et le S&P 500 Exercise 3: Courbe de Phillips avec merge_ordered()Exercise 4: Attention avec merge_ordered(), plusieurs colonnes Exercise 5: Utiliser merge_asof()Exercise 6: Utiliser merge_asof() pour analyser des actions Exercise 7: Utiliser merge_asof() pour créer un jeu de données Exercise 8: Différences entre merge_asof() et merge_ordered()Exercise 9: Sélectionner des données avec .query()Exercise 10: Explorer les données financières avec .query()Exercise 11: Sous-ensemble de lignes avec .query()Exercise 12: Restructurer des données avec .melt()Exercise 13: Choisir les bons arguments de .melt()Exercise 14: Utiliser .melt() pour remodeler des données gouvernementales Exercise 15: Utiliser .melt() pour comparer le rendement des actions et des obligations Exercise 16: Conclusion du cours