Utilisation de merge_ordered()

Create Your Free Account

or

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

Joindre des données avec pandas

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Découvrez comment vous pouvez fusionner des données disparates à l'aide de jointures internes. En combinant des informations provenant de sources multiples, vous découvrirez des informations intéressantes qui auraient pu être masquées auparavant. Vous apprendrez également comment la relation entre ces sources, telle que un-à-un ou un-à-plusieurs, peut affecter votre résultat.

Exercise 1: Jointure interne Exercise 2: Sur quelle colonne fusionner ?Exercise 3: Votre première jointure intérieure Exercise 4: Jointures internes et nombre de lignes renvoyées Exercise 5: Relations de un à plusieurs Exercise 6: Classification un-à-plusieurs Exercise 7: Fusion de un-à-plusieurs Exercise 8: Fusionner plusieurs DataFrame Exercise 9: Nombre total de coureurs en un mois Exercise 10: Fusion de trois tables Exercise 11: Fusion un-à-plusieurs avec plusieurs tables

Améliorez vos connaissances en matière de jointures. Dans ce chapitre, vous travaillerez avec des données de films TMDb et vous découvrirez les jointures gauches, droites et externes. Vous découvrirez également comment fusionner une table avec elle-même et comment fusionner sur un index DataFrame.

Exercise 1: Jointure gauche Exercise 2: Compter les lignes manquantes avec une jointure gauche Exercise 3: Enrichir un ensemble de données Exercise 4: Combien de lignes avec une jointure à gauche ?Exercise 5: Autres jonctions Exercise 6: Un bon moyen de trouver des films exceptionnels Exercise 7: Genres populaires avec jointure droite Exercise 8: Utilisation d'une jointure externe pour sélectionner des acteurs Exercise 9: Fusionner une table avec elle-même Exercise 10: Jointure sur elle-même Exercise 11: Comment pandas gère-t-il les jointures automatiques ?Exercise 12: Fusion sur les index Exercise 13: Fusion d'index pour les classements de films Exercise 14: Les suites rapportent-elles plus ?

Dans ce chapitre, vous tirerez parti de techniques de filtres puissantes, notamment les semi-jointures et les anti-jointures. Vous apprendrez également à coller des DataFrame en les combinant verticalement et en utilisant la fonction pandas.concat pour créer de nouveaux ensembles de données. Enfin, les données étant rarement propres, vous apprendrez également à valider vos nouvelles structures de données combinées.

Exercise 1: Filtrer les jointures Exercise 2: Étapes d'une semi-jointure Exercise 3: Exécution d'une anti-jointure Exercise 4: Exécution d'une semi-jointure Exercise 5: Concaténer les DataFrame verticalement Exercise 6: Notions de concaténation Exercise 7: Concaténation avec des clés Exercise 8: Vérification de l'intégrité Exercise 9: Valider une fusion Exercise 10: Concaténer et fusionner pour trouver des chansons communes

Dans ce dernier chapitre, vous passerez à la vitesse supérieure et apprendrez à appliquer les méthodes spécialisées de pandas pour fusionner des séries temporelles et des données ordonnées avec des données financières et économiques réelles provenant de la ville de Chicago. Vous apprendrez également à interroger les tables en résultant à l'aide d'un format de type SQL et à décomposer les données à l'aide de la méthode de fusion.

Exercise 1: Utilisation de merge_ordered()

Exercice en cours

Exercise 2: Corrélation entre le PIB et l'indice S&P 500 Exercise 3: Courbe de Phillips à l'aide de la fonction merge_ordered()Exercise 4: merge_ordered() attention, plusieurs colonnes Exercise 5: Utilisation de merge_asof()Exercise 6: Utiliser merge_asof() pour étudier les stocks Exercise 7: Utilisation de 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: Explorez les données financières avec .query()Exercise 11: Substituer des lignes avec .query()Exercise 12: Remodeler des données avec .melt()Exercise 13: Sélectionnez les bons arguments .melt()Exercise 14: Utiliser .melt() pour remodeler les données gouvernementales Exercise 15: Utilisation de .melt() pour les performances des actions et des obligations Exercise 16: Synthèse du cours