CommencerCommencez gratuitement

Accueil
Cours
Transformation de données avec Polars

Transformer les données par groupe

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.

Cet exercice fait partie du cours

<cours>Transformation de données avec Polars</cours>

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Dans ce chapitre, vous apprendrez à nettoyer et rechercher des données textuelles, à extraire des motifs depuis des chaînes et à utiliser des expressions conditionnelles pour transformer des colonnes.

Exercise 1: Transformer des données avec des expressions Exercise 2: Convertir les types de données d’une colonne Exercise 3: Supprimer les espaces blancs Exercise 4: Concaténer des colonnes de texte Exercise 5: Recherche et extraction de texte Exercise 6: Rechercher du texte Exercise 7: Extraire des chaînes depuis un texte Exercise 8: Remplacer plusieurs motifs Exercise 9: Créer des expressions conditionnelles Exercise 10: Catégoriser les clients avec des conditions Exercise 11: Enchaîner plusieurs conditions Exercise 12: Remplir les valeurs manquantes

Apprenez à analyser et manipuler des dates, à filtrer et agréger des données par périodes, et à calculer des statistiques mobiles et cumulées.

Exercise 1: Analyser et manipuler des dates Exercise 2: Analyser des chaînes de date-heure Exercise 3: Extraire l’heure Exercise 4: Calculer la fin des périodes de location Exercise 5: Filtrer et agréger par période Exercise 6: Filtrer une date et heure précises Exercise 7: Filtrer une plage horaire Exercise 8: Calculer les totaux de locations hebdomadaires Exercise 9: Agrégations glissantes et cumulées Exercise 10: Calculer une somme glissante Exercise 11: Calculer un cumul des locations Exercise 12: Agrégations glissantes sur plusieurs colonnes Exercise 13: Transformer les données par groupe

Exercice actuel

Exercise 14: Calculer le total horaire avec des fonctions de fenêtre Exercise 15: Calculer l’écart par rapport à la moyenne horaire Exercise 16: Regrouper par plusieurs colonnes avec des fonctions de fenêtre

Ce chapitre couvre la combinaison de DataFrames via la concaténation, les jointures sur une ou plusieurs colonnes, et l’appariement de lignes selon des conditions ou des valeurs les plus proches.

Exercise 1: Concaténer des DataFrames Exercise 2: Empiler les annonces par région Exercise 3: Ajouter des colonnes indicatrices Exercise 4: Ajouter de nouvelles lignes efficacement Exercise 5: Joindre des DataFrames Exercise 6: Ajouter des informations sur l’hôte Exercise 7: Faire correspondre des combinaisons uniques Exercise 8: Conserver toutes les annonces Exercise 9: Identifier les manques dans les deux DataFrames Exercise 10: Joindre des DataFrames par condition ou par correspondance la plus proche Exercise 11: Faire correspondre les annonces aux demandes de budget Exercise 12: Filtrer avec plusieurs conditions Exercise 13: Faire correspondre la mise à jour de prix la plus proche

Apprenez à créer des expressions personnalisées réutilisables, à catégoriser les données à l’aide de quantiles et de seuils fixes, et à analyser les classements et les corrélations.

Exercise 1: Appliquer des transformations personnalisées Exercise 2: Convertir les écoutes en milliards Exercise 3: Créer des expressions réutilisables Exercise 4: Ajouter une expression personnalisée Exercise 5: Calculer des quantiles et des histogrammes Exercise 6: Calculer les quantiles de popularité Exercise 7: Regrouper les écoutes en paliers Exercise 8: Construire un histogramme de popularité Exercise 9: Calculer des rangs et des corrélations Exercise 10: Classer les albums avec gestion des ex æquo Exercise 11: Construire une matrice de corrélation Exercise 12: Synthèses personnalisées avec describe Exercise 13: Pour conclure