ComeçarComece de graça

Inicio
Cursos
Junção de dados com o pandas

Mesclagem em índices

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este exercício faz parte do curso

Junção de dados com o pandas

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Saiba como você pode mesclar dados diferentes usando “inner joins”. Ao combinar informações de várias fontes, você descobrirá insights interessantes que podem estar ocultos anteriormente. Você também aprenderá como o relacionamento entre essas fontes, como de um para um ou de um para muitos, pode afetar seu resultado.

Exercise 1: Inner join Exercise 2: Qual coluna você deve mesclar?Exercise 3: Seu primeiro “inner join”Exercise 4: Inner joins e número de linhas retornadas Exercise 5: Relacionamentos “um para muitos”Exercise 6: Classificação de um para muitos Exercise 7: Mesclagem de um para muitos Exercise 8: Mesclagem de vários DataFrames Exercise 9: Total de usuários em um mês Exercise 10: Mesclagem de três tabelas Exercise 11: Mesclagem de um para muitos com várias tabelas

Leve seu conhecimento sobre joins para o próximo nível. Neste capítulo, você trabalhará com dados de filmes do TMDb e aprenderá sobre left joins, right joins e outer joins. Você também descobrirá como mesclar uma tabela com ela mesma e mesclar em um índice do DataFrame.

Exercise 1: Left join Exercise 2: Contagem de linhas ausentes com “left join”Exercise 3: Enriquecimento de um conjunto de dados Exercise 4: Quantas linhas com um “left join”?Exercise 5: Outros joins Exercise 6: Right join para encontrar filmes individuais Exercise 7: Gêneros populares com right join Exercise 8: Uso de outer join para selecionar atores Exercise 9: Mesclagem de uma tabela com ela mesma Exercise 10: Self join Exercise 11: Como o pandas lida com “self joins”?Exercise 12: Mesclagem em índices

Exercício atual

Exercise 13: Mesclagem de índices para classificações de filmes Exercise 14: As sequências rendem mais?

Neste capítulo, você aproveitará técnicas avançadas de filtragem, incluindo “semi-joins” e “anti-joins”. Você também aprenderá a colar DataFrames combinando verticalmente e usando a função pandas.concat para criar novos conjuntos de dados. Por fim, como os dados raramente são limpos, você também aprenderá a validar as estruturas de dados recém-combinadas.

Exercise 1: Filtragem de joins Exercise 2: Etapas de um semi-join Exercise 3: Execução de um anti-join Exercise 4: Execução de um semi-join Exercise 5: Concatenar DataFrames verticalmente Exercise 6: Noções básicas de concatenação Exercise 7: Concatenação com chaves Exercise 8: Verificação da integridade Exercise 9: Validação de uma mesclagem Exercise 10: Concatenação e mesclagem para encontrar músicas em comum

Neste capítulo final, você avançará um pouco e aprenderá a aplicar os métodos especializados do pandas para mesclar séries temporais e dados ordenados com dados financeiros e econômicos reais da cidade de Chicago. Você também vai aprender a consultar tabelas resultantes usando um formato tipo SQL e a desagregar dados usando o método melt.

Exercise 1: Uso de merge_ordered()Exercise 2: Correlação entre o PIB e o S&P 500 Exercise 3: Curva de Phillips usando merge_ordered()Exercise 4: Cuidado com merge_ordered() e várias colunas Exercise 5: Uso de merge_asof()Exercise 6: Uso de merge_asof() para estudar ações Exercise 7: Uso de merge_asof() para criar um conjunto de dados Exercise 8: Diferenças entre merge_asof() e merge_ordered()Exercise 9: Seleção de dados com .query()Exercise 10: Explore os dados financeiros com .query()Exercise 11: Criar subconjuntos de linhas com .query()Exercise 12: Reformulação de dados com .melt()Exercise 13: Selecione os argumentos .melt() corretos Exercise 14: Uso de .melt() para remodelar dados governamentais Exercise 15: Uso de .melt() para desempenho de ações e títulos públicos Exercise 16: Conclusão do curso