In dit hoofdstuk leggen we de basis voor het joinen van data met pandas. Je leert over de soorten joins en hoe pandas je effectiviteit en productiviteit kan vergroten.

Data samenvoegen: onmisbaar in de praktijk

Waarom je gegevens moet samenvoegen

Werken met opgesplitste data

Werken met aanvullende data

Concatenatie

Rijen samenvoegen (concatenation)

Rijen samenvoegen met dubbele indexen

Kolommen samenvoegen

Kracht en flexibiliteit

Bewering

Ware beweringen

Onware beweringen

Voordelen van joins met pandas

Simpel coderen voor complexe merges

Introductie tot data joinen

In dit hoofdstuk leer je hoe je pandas gebruikt om data te joinen op een manier die lijkt op VLOOKUP-formules in een spreadsheet. Je leert over drie soorten joins en focust vervolgens op de eerste soort: one-to-one-joins.

Soorten joins

One-to-one-joins

One-to-many-joins

Many-to-many-joins

Dieper inzoomen op one-to-one-joins

Het raamwerk ontrafelen.

VLOOKUP reproduceren

Samenvoegen op twee of meer sleutels

Gemeenschappelijke data combineren met inner joins

Objectgeoriënteerde merges

Basis inner joins

Omgaan met verschillende namen

De juiste join-methode kiezen

VLOOKUP-achtige joins

In dit hoofdstuk focussen we op one-to-many-relaties. Je oefent met het herkennen van de relatie tussen sleutelkolommen en het joinen van dataframes op kolom. Je leert ook hoe je twee of meer dataframes kunt joinen op basis van hun index.

"Uit velen één"

Kader deel 2: one-to-many merges

Relaties van één-op-veel identificeren

Joinen op sleutelkolommen

Controleren op dubbele sleutels

Een one-to-many-merge afronden

Joins op basis van index

Joinen op index

Meerdere tabellen joinen

Een one-to-many-join herhalen

In het laatste hoofdstuk leer je geavanceerde jointechnieken voor wanneer je met lastige data te maken krijgt. Je krijgt een eigen uitdaging in de vorm van een casestudy die je vaardigheden test.

Data in het echt samenvoegen

Indexen en kolommen mixen

Achtervoegsels en indicatoren

Werken met tijdgegevens

Tijdreeksen combineren

Koppelen aan de dichtstbijzijnde tijd

Samenvatting en casestudy

Casestudy-uitdaging - deel 1

Casestudy-uitdaging - deel 2

Casestudy-uitdaging - deel 3

Geavanceerde joins

Games Plays

Players draft

Current players

Games

New weather data

Twee of meer gegevenssets samenvoegen is nodig voor vrijwel elke analyse in de echte wereld. Dat deed je eerder al in spreadsheets met VLOOKUP en aanverwante functies. Kun je voortbouwen op die ervaring wanneer je overstapt naar de wereld van Python? Zeker! In deze cursus leer je alles over het samenbrengen van gegevenssets met pandas, de gouden standaard van Python voor het bewerken van tabelgegevens. Je past pandas-functies toe om data uit de National Football League (NFL) te combineren in een vertrouwde spreadsheetomgeving. Met deze vaardigheden kun je de kracht van pandas benutten en grotere, complexere gegevenssets in elke analyse integreren.

Python for Spreadsheet Users

Leer effectief datasets samenvoegen in tabelvorm met de Python Pandas-bibliotheek.

Pandas-joins voor spreadsheetgebruikers

Leer hoe je op een effectieve en efficiënte manier datasets in tabelvorm kunt samenvoegen met behulp van de Python Pandas-bibliotheek.  

Je kunt dataframes joinen op meer dan één kolom of indexniveau zonder te concateneren.

Veel populaire Machine Learning-pakketten in Python accepteren pandas-dataframes als input.

Je kunt binnen één statement slechts twee originele dataframes joinen.

Dataframes hebben een limiet van 16.777.216 rijen (2\*\*22).

Voordelen van joins met pandas

Pandas-joins voor spreadsheetgebruikers

Interactieve oefening met praktijkervaring