Kom igångKom igång gratis

Hem
Kurser
Joining Data with pandas

Slå samman en tabell med sig själv

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.

Den här övningen är en del av kursen

Joining Data with pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Lär dig hur du slår samman olika datamängder med hjälp av inner joins. Genom att kombinera information från flera källor kan du hitta intressanta insikter som annars hade förblivit dolda. Du lär dig också hur relationen mellan källorna – till exempel en-till-en eller en-till-många – kan påverka resultatet.

Exercise 1: Inner join Exercise 2: Vilken kolumn ska du använda vid sammanslagning?Exercise 3: Din första inner join Exercise 4: Inner joins och antal returnerade rader Exercise 5: En-till-många-relationer Exercise 6: Klassificering av ett-till-många-relationer Exercise 7: En-till-många-merge Exercise 8: Sammanfoga flera DataFrames Exercise 9: Totalt antal resenärer under en månad Exercise 10: Merge av tre tabeller Exercise 11: En-till-många-sammanslagning med flera tabeller

Fördjupa dina kunskaper om joins. I det här kapitlet arbetar du med filmdata från TMDb när du lär dig om left, right och outer joins. Du lär dig också hur du slår samman en tabell med sig själv och hur du sammanfogar på ett DataFrame-index.

Exercise 1: Left join Exercise 2: Räkna saknade rader med left join Exercise 3: Berika en datamängd Exercise 4: Hur många rader med en left join?Exercise 5: Andra typer av join Exercise 6: Right join för att hitta unika filmer Exercise 7: Populära genrer med right join Exercise 8: Använd outer join för att välja skådespelare Exercise 9: Slå samman en tabell med sig själv

Aktuell övning

Exercise 10: Self join Exercise 11: Hur hanterar pandas självsamma joinningar?Exercise 12: Sammanslagning på index Exercise 13: Indexbaserad merge för filmbetyg Exercise 14: Tjänar uppföljare mer?

I det här kapitlet använder du kraftfulla filtreringstekniker, bland annat semi-joins och anti-joins. Du lär dig också hur du kombinerar DataFrames vertikalt och använder funktionen pandas.concat för att skapa nya datamängder. Eftersom data sällan är helt ren lär du dig dessutom att validera dina nyligen kombinerade datastrukturer.

Exercise 1: Filtreringsjoiningar Exercise 2: Stegen i en semi join Exercise 3: Utföra en anti-join Exercise 4: Utföra ett semi join Exercise 5: Konkatenera DataFrames vertikalt Exercise 6: Grunderna i konkatenering Exercise 7: Konkatenering med nycklar Exercise 8: Kontrollera integritet Exercise 9: Validera en sammanslagning Exercise 10: Konkatenera och slå ihop för att hitta gemensamma låtar

I det här sista kapitlet tar du nästa steg och lär dig använda pandas specialiserade metoder för att sammanfoga tidsserier och ordnad data med verkliga finans- och ekonomidata från staden Chicago. Du lär dig också att ställa frågor mot resultattabeller i SQL-stil och att pivottera om data med metoden melt.

Exercise 1: Använda merge_ordered()Exercise 2: Korrelation mellan BNP och S&P500 Exercise 3: Phillipskurvan med merge_ordered()Exercise 4: merge_ordered() – varning för flera kolumner Exercise 5: Använda merge_asof()Exercise 6: Använda merge_asof() för att studera aktier Exercise 7: Använda merge_asof() för att skapa en datamängd Exercise 8: Skillnader mellan merge_asof() och merge_ordered()Exercise 9: Välja data med .query()Exercise 10: Utforska finansdata med .query()Exercise 11: Välj ut rader med .query()Exercise 12: Omforma data med .melt()Exercise 13: Välj rätt argument för .melt()Exercise 14: Använd .melt() för att omforma statliga data Exercise 15: Använda .melt() för att jämföra aktier och obligationer Exercise 16: Kursavslutning