ÎncepețiÎncepe gratuit

Găsirea duplicatelor

O actualizare recentă a pipeline-ului de date care alimentează ride_sharing a adăugat coloana ride_id, ce reprezintă un identificator unic pentru fiecare cursă.

Actualizarea a coincis însă cu durate medii ale curselor brusc mai scurte și cu date de naștere ale utilizatorilor setate în viitor. Mai important, numărul de curse a crescut cu 20% peste noapte, ceea ce te face să suspectezi că există atât duplicate complete, cât și incomplete în DataFrame-ul ride_sharing.

În acest exercițiu, vei confirma această suspiciune identificând acele duplicate. În mediul tău se află un eșantion din ride_sharing, alături de toate pachetele cu care ai lucrat până acum.

Acest exercițiu face parte din cursul

Curățarea datelor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Găsește rândurile duplicate din coloana ride_id a DataFrame-ului ride_sharing, setând keep la False.
  • Filtrează ride_sharing după duplicates, sortează rezultatele după ride_id și atribuie-le variabilei duplicated_rides.
  • Afișează coloanele ride_id, duration și user_birth_year din duplicated_rides, în această ordine.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

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

# Print relevant columns of duplicated_rides
print(duplicated_rides[['____','____','____']])
Editează și rulează codul