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. 

Inner join

What column to merge on?

Your first inner join

Inner joins and number of rows returned

One-to-many relationships

One-to-many classification

One-to-many merge

Merging multiple DataFrames

Total riders in a month

Three table merge

One-to-many merge with multiple tables

Data Merging Basics

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. 

Left join

Counting missing rows with left join

Enriching a dataset

How many rows with a left join?

Other joins

Right join to find unique movies

Popular genres with right join

Using outer join to select actors

Merging a table to itself

Self join

How does pandas handle self joins?

Merging on indexes

Index merge for movie ratings

Do sequels earn more?

Merging Tables With Different Join Types

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.

Filtering joins

Steps of a semi join

Performing an anti join

Performing a semi join

Concatenate DataFrames together vertically

Concatenation basics

Concatenating with keys

Verifying integrity

Validating a merge

Concatenate and merge to find common songs

 Advanced Merging and Concatenating

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.

merge_ordered() gebruiken

Correlatie tussen BBP en S&P500

Phillips-curve met merge_ordered()

merge_ordered() let op: meerdere kolommen

merge_asof() gebruiken

merge_asof() gebruiken om aandelen te bestuderen

merge_asof() gebruiken om een gegevensset te maken

Opties

merge_asof()

Beide

merge_ordered()

Verschillen tussen merge_asof() en merge_ordered()

Gegevens selecteren met .query()

Financiën verkennen met .query()

Rijen subsetten met .query()

Data herschikken met .melt()

Kies de juiste argumenten voor .melt()

`.melt()` gebruiken om overheidsdata te herstructureren

Gebruik van .melt() voor prestaties van aandelen vs. obligaties

Cursusafsluiting

Merging Ordered and Time-Series Data

CTA Stations

Movie Actors

Movie Casts

Movie Crews

Movie Tag Lines

S&P 500

World Bank GDP

World Bank Population

Chicago Taxi Owners

Chicago Taxi Vehicles

Chicago Wards

Chicago Census

Chicago Business Licenses

Chicago Demographics by Zip Code

Chicago Business Owners

Chicago Land Use

CTA Ridership

CTA Calendar

Movies

Movie Ratings

Movie Genres

Movie Sequels

Movie Financial Data

Werken met en combineren van meerdere gegevenssets is een essentiële vaardigheid voor elke aankomend Data Scientist. pandas is een cruciale pijler binnen het Python-ecosysteem voor data science; op Stack Overflow zijn er 5 miljoen weergaven voor vragen over pandas. Leer meerdere DataFrames te verwerken door ze te combineren, ordenen, joinen en van vorm te veranderen met pandas. Je werkt met gegevenssets van de World Bank en de City of Chicago. Je rondt de cursus af met een solide skillset voor het samenvoegen van data in pandas.

De video's bevatten live-transcripties die je kunt weergeven door linksonder in de video's op "Show transcript" te klikken.

De begrippenlijst van de cursus vind je rechts in de sectie met bronnen.

Om CPE-credits te behalen moet je de cursus afronden en een score van 70% halen op de gekwalificeerde toets. Je kunt naar de toets navigeren door rechts op de CPE-credits-callout te klikken.

Data Manipulation with pandas

Leer meerdere DataFrames te beheren door ze te combineren, organiseren, samenvoegen en herschikken.

Data samenvoegen met pandas

Leer hoe je gegevens uit meerdere tabellen kunt combineren door gegevens samen te voegen met behulp van pandas.

merge_ordered() gebruiken

Create Your Free Account