Concateneer en merge om gemeenschappelijke nummers te vinden

Het hoger management van de streamingdienst vraagt opnieuw om je hulp. Je krijgt de historische bestanden van een populaire afspeellijst in het genre klassieke muziek voor 2018 en 2019. Daarnaast krijg je een vergelijkbare set bestanden voor de meest populaire afspeellijst in het genre popmuziek op de streamingdienst in 2018 en 2019. Je doel is om de respectievelijke bestanden te concateneren tot een grote tabel voor klassieke afspeellijsten en een algemene tabel voor populaire muziek. Filter vervolgens de tabel met klassieke muziek met een semi-join om alleen de populairste klassieke tracks terug te krijgen.

De tabellen classic_18, classic_19 en pop_18, pop_19 zijn voor je geladen. Daarnaast is pandas geladen als pd.

Deze oefening maakt deel uit van de cursus

Data samenvoegen met pandas

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Concatenate the classic tables vertically
classic_18_19 = ____

# Concatenate the pop tables vertically
pop_18_19 = ____

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Data samenvoegen met pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

Learn how you can merge disparate data using inner joins. By combining information from multiple sources you’ll uncover compelling insights that may have previously been hidden. You’ll also learn how the relationship between those sources, such as one-to-one or one-to-many, can affect your result.

Exercise 1: Inner join Exercise 2: What column to merge on?Exercise 3: Your first inner join Exercise 4: Inner joins and number of rows returned Exercise 5: One-to-many relationships Exercise 6: One-to-many classification Exercise 7: One-to-many merge Exercise 8: Merging multiple DataFrames Exercise 9: Total riders in a month Exercise 10: Three table merge Exercise 11: One-to-many merge with multiple tables

Take your knowledge of joins to the next level. In this chapter, you’ll work with TMDb movie data as you learn about left, right, and outer joins. You’ll also discover how to merge a table to itself and merge on a DataFrame index.

Exercise 1: Left join Exercise 2: Counting missing rows with left join Exercise 3: Enriching a dataset Exercise 4: How many rows with a left join?Exercise 5: Other joins Exercise 6: Right join to find unique movies Exercise 7: Popular genres with right join Exercise 8: Using outer join to select actors Exercise 9: Merging a table to itself Exercise 10: Self join Exercise 11: How does pandas handle self joins?Exercise 12: Merging on indexes Exercise 13: Index merge for movie ratings Exercise 14: Do sequels earn more?

In this chapter, you’ll leverage powerful filtering techniques, including semi-joins and anti-joins. You’ll also learn how to glue DataFrames by vertically combining and using the pandas.concat function to create new datasets. Finally, because data is rarely clean, you’ll also learn how to validate your newly combined data structures.

Exercise 1: Filterende joins Exercise 2: Stappen van een semi-join Exercise 3: Een anti-join uitvoeren Exercise 4: Een semi-join uitvoeren Exercise 5: DataFrames verticaal samenvoegen Exercise 6: Basis van concateneren Exercise 7: Concateneren met keys Exercise 8: Integriteit controleren Exercise 9: Een merge valideren Exercise 10: Concateneer en merge om gemeenschappelijke nummers te vinden

Huidige oefening

In this final chapter, you’ll step up a gear and learn to apply pandas' specialized methods for merging time-series and ordered data together with real-world financial and economic data from the city of Chicago. You’ll also learn how to query resulting tables using a SQL-style format, and unpivot data using the melt method.

Exercise 1: Using merge_ordered()Exercise 2: Correlation between GDP and S&P500 Exercise 3: Phillips curve using merge_ordered()Exercise 4: merge_ordered() caution, multiple columns Exercise 5: Using merge_asof()Exercise 6: Using merge_asof() to study stocks Exercise 7: Using merge_asof() to create dataset Exercise 8: merge_asof() and merge_ordered() differences Exercise 9: Selecting data with .query()Exercise 10: Explore financials with .query()Exercise 11: Subsetting rows with .query()Exercise 12: Reshaping data with .melt()Exercise 13: Select the right .melt() arguments Exercise 14: Using .melt() to reshape government data Exercise 15: Using .melt() for stocks vs bond performance Exercise 16: Course wrap-up