În acest capitol, vom construi o bază solidă pentru utilizarea pandas la îmbinarea datelor. Vei învăța despre tipurile de joins și despre cum pandas îți poate îmbunătăți eficiența și productivitatea.

Îmbinarea datelor: o necesitate din lumea reală

De ce avem nevoie să îmbinăm date

Lucrul cu date împărțite

Lucrul cu date complementare

Concatenare

Concatenarea rândurilor

Concatenarea rândurilor cu indexuri duplicate

Concatenarea coloanelor

Putere și flexibilitate

Afirmație

Afirmații adevărate

Afirmații false

Avantajele join-urilor în pandas

Cod simplu pentru îmbinări complexe

Introducere în îmbinarea datelor

În acest capitol, vei învăța cum să folosești pandas pentru îmbinarea datelor într-un mod similar formulelor VLOOKUP din foi de calcul. Vei descoperi trei tipuri de joins, iar apoi te vei concentra pe primul dintre ele: joins unu-la-unu.

Tipuri de join-uri

Join-uri unu-la-unu

Joinuri unu-la-mulți

Joinuri many-to-many

O privire mai atentă asupra join-urilor unu-la-unu

Descifrează cadrul de lucru.

Replicarea VLOOKUP

Îmbinare după două sau mai multe chei

Combinarea datelor comune cu inner join-uri

Îmbinări orientate pe obiecte

Joinuri inner de bază

Gestionarea numelor diferite

Alegerea metodei corecte de îmbinare

Joins în stil VLOOKUP

În acest capitol, ne vom concentra pe relațiile unu-la-mai-mulți. Vei exersa identificarea relației dintre coloanele cheie și îmbinarea cadrelor de date după coloană. De asemenea, vei învăța cum să îmbini două sau mai multe cadre de date pe baza indecșilor lor.

„Din multe, unul"

Cadrul de lucru, partea 2: îmbinări unu-la-mai-mulți

Identificarea relațiilor unu-la-mulți

Îmbinare pe coloane cheie

Verificarea cheilor duplicate

Finalizarea unui join unu-la-mai-mulți

Joins bazate pe index

Îmbinare pe baza indexului

Unirea mai multor tabele

Recapitularea join-ului de tip one-to-many

Joins unu-la-mai-mulți

În ultimul capitol, vei învăța tehnici avansate de join, utile atunci când datele sunt mai dificil de gestionat. Vei fi pus la încercare printr-un studiu de caz care îți testează abilitățile dobândite.

Îmbinarea datelor în practică

Combinarea indexurilor și coloanelor

Sufixuri și indicatori

Lucrul cu date temporale

Combinarea seriilor de timp

Potrivirea la cel mai apropiat moment în timp

Recapitulare și studiu de caz

Provocarea studiului de caz – partea 1

Provocarea studiului de caz – partea 2

Provocarea studiului de caz – partea 3

Joins avansate

Players draft

Current players

New weather data

Games Plays

Games

Îmbinarea a două sau mai multe seturi de date este necesară în aproape orice analiză din lumea reală. Ai mai făcut asta în foi de calcul, folosind VLOOKUP și funcții similare. Poți construi pe această experiență pe măsură ce treci în lumea Python? Absolut! În acest curs vei învăța tot ce trebuie să știi despre combinarea seturilor de date cu pandas, standardul de aur al Python pentru manipularea datelor tabulare. Vei aplica funcții pandas pentru a combina date din Liga Națională de Fotbal American (NFL), într-un mediu familiar, asemănător foilor de calcul. Cu aceste abilități, vei putea valorifica puterea pandas și integra seturi de date mai mari și mai complexe în orice analiză.

Python for Spreadsheet Users

Învață să îmbini eficient seturi de date tabelare folosind biblioteca Python Pandas.

Joins în Pandas pentru utilizatorii de foi de calcul

Învață cum să îmbini eficient și rapid seturi de date în format tabelar folosind biblioteca Python Pandas.  

Poți face join între cadre de date pe mai mult de o coloană sau nivel de index, fără a le concatena.

Multe pachete populare de machine learning din Python acceptă cadre de date pandas ca intrări.

Poți face join doar între două cadre de date originale într-o singură instrucțiune.

Cadrele de date au o limită de 16.777.216 rânduri (2\*\*22).

Avantajele join-urilor în pandas

Joins în Pandas pentru utilizatorii de foi de calcul

Exercițiu interactiv practic