Transformacja danych sprzedażowych za pomocą pandas
Zanim uda się wyciągnąć wnioski ze zbioru danych, często trzeba najpierw zmienić typy niektórych kolumn, aby w pełni wykorzystać zawarte w nich dane. Dotyczy to zwłaszcza danych czasowych, które można zapisywać na wiele różnych sposobów.
W tym ćwiczeniu biblioteka pandas została już zaimportowana jako pd i jest gotowa do użycia.
To ćwiczenie jest częścią kursu
ETL i ELT w Pythonie
Instrukcje do ćwiczenia
- Zaktualizuj funkcję
transform(), aby konwertowała dane w kolumnie"Order Date"na typdatetime. - Odfiltruj DataFrame tak, aby zawierał tylko wiersze, w których
"Price Each"jest mniejsze niż dziesięć dolarów. - Wyświetl typy danych każdej kolumny w DataFrame.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
raw_sales_data = extract("sales_data.csv")
def transform(raw_data):
# Convert the "Order Date" column to type datetime
raw_data["Order Date"] = pd.____(____, format="%m/%d/%y %H:%M")
# Only keep items under ten dollars
clean_data = raw_data.loc[____, :]
return clean_data
clean_sales_data = transform(raw_sales_data)
# Check the data types of each column
print(____)