In this chapter, we'll build a foundation for using pandas to join data. You'll learn about the types of joins and how pandas can improve your effectiveness and productivity.

Joining data: a real-world necessity

The need for joining data

Working with split data

Working with complementary data

Concatenation

Concatenating rows

Concatenating rows with duplicated indexes

Concatenating columns

Power and flexibility

Advantages of pandas joins

Simple coding for complex merges

Introduction to joining data

In this chapter, you'll learn how to use pandas for joining data in a way similar to using VLOOKUP formulas in a spreadsheet. You'll learn about three types of joins and then focus on the first type, 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

Zet de taken in de juiste volgorde

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

Stelling

Rijen concateneren

Left merge

Inner merge

De juiste join-methode kiezen

VLOOKUP-style joins

In this chapter, we'll focus on one-to-many relationships. You'll practice identifying the relationship of key columns and joining data frames by column. You'll also learn how to join two or more data frames based on their indices.

"Out of many, one"

Framework part 2: one-to-many merges

Identifying one-to-many relationships

Joining on key columns

Checking for duplicate keys

Completing a one-to-many merge

Index-based joins

Joining on index

Joining multiple tables

Reviewing the one-to-many join

One-to-many joins

In the final chapter, you'll learn advanced joining techniques to use when faced with challenging data. You'll be presented with a challenge of your own in the form of a case study that tests your skills.

Joining data in real life

Mixing indexes and columns

Suffixes and indicators

Working with time data

Combining time series

Matching to the nearest time

Recap and case study

Case study challenge - part 1

Case study challenge - part 2

Case study challenge - part 3

Advanced 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.  

Combineer drie gegevenssets, elk met stadiongroottes en locaties voor verschillende staten.

Maak een gegevensset van alle running plays met sneeuwvaldata waar beschikbaar. Combineer een gegevensset van alle run-uitkomsten en een gegevensset van plays met sneeuwval.

Maak een gegevensset van spelers die op maandagavond geblesseerd raakten. Combineer een gegevensset van alle spelers in Monday Night-wedstrijden en een gegevensset van alle geblesseerde spelers.

De juiste join-methode kiezen

Pandas-joins voor spreadsheetgebruikers

Praktische interactieve oefening