Transformer des données de ventes avec pandas

Avant de pouvoir extraire des insights d'un jeu de données, il peut être nécessaire de modifier les types de colonnes afin d'exploiter correctement les données. C'est particulièrement fréquent pour les types temporels, qui peuvent être stockés de plusieurs manières.

Dans cet exemple, pandas a été importé sous le nom pd et est prêt à être utilisé.

Cet exercice fait partie du cours

<cours>ETL et ELT en Python</cours>

Voir le cours

Instructions de l’exercice

Mettez à jour la fonction transform() pour convertir les données de la colonne "Order Date" au type datetime.
Filtrez le DataFrame pour ne conserver que les lignes dont "Price Each" est inférieur à dix dollars.
Affichez les types de données de chaque colonne du DataFrame.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

raw_sales_data = extract("sales_data.csv")

def transform(raw_data):
    # Convert the "Order Date" column to type datetime
    raw_data["Order Date"] = pd.____(____, format="%m/%d/%y %H:%M")
    
    # Only keep items under ten dollars
    clean_data = raw_data.loc[____, :]
    return clean_data

clean_sales_data = transform(raw_sales_data)

# Check the data types of each column
print(____)

Modifier et exécuter le code