Zacznij terazZacznij za darmo

Wyszukiwanie duplikatów

Nowa aktualizacja potoku danych zasilającego ride_sharing dodała kolumnę ride_id, która stanowi unikalny identyfikator każdego przejazdu.

Aktualizacja zbiegła się jednak ze znacznie krótszymi średnimi czasami przejazdów oraz nieprawidłowymi datami urodzenia użytkowników ustawionymi w przyszłości. Co ważniejsze, liczba zarejestrowanych przejazdów wzrosła o 20% z dnia na dzień – to skłania do podejrzeń, że w ramce danych ride_sharing mogą znajdować się zarówno kompletne, jak i niekompletne duplikaty.

W tym ćwiczeniu potwierdzisz te podejrzenia, wyszukując owe duplikaty. W środowisku masz dostęp do próbki zbioru ride_sharing oraz wszystkich pakietów, z których korzystałeś do tej pory.

To ćwiczenie jest częścią kursu

Czyszczenie danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Znajdź zduplikowane wiersze kolumny ride_id w ramce danych ride_sharing, ustawiając parametr keep na False.
  • Odfiltruj ramkę ride_sharing na podstawie duplicates, posortuj wyniki według ride_id i zapisz je do zmiennej duplicated_rides.
  • Wyświetl kolumny ride_id, duration oraz user_birth_year z ramki duplicated_rides w tej kolejności.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Find duplicates
duplicates = ____.____(____, ____)

# Sort your duplicated rides
duplicated_rides = ride_sharing[____].____('____')

# Print relevant columns of duplicated_rides
print(duplicated_rides[['____','____','____']])
Edytuj i uruchom kod