I det här kapitlet lägger vi grunden för att använda pandas för att sammanfoga data. Du lär dig om olika typer av joins och hur pandas kan öka din effektivitet och produktivitet.

Att sammanfoga data: en verklig nödvändighet

Behovet av att sammanfoga data

Arbeta med uppdelad data

Arbeta med kompletterande data

Konkatenering

Sammanslagning av rader

Konkatenera rader med duplicerade index

Sammanfoga kolumner

Kraft och flexibilitet

Påstående

Sanna påståenden

Falska påståenden

Fördelar med pandas-joins

Enkel kod för komplexa sammanslagningar

Introduktion till att sammanfoga data

I det här kapitlet lär du dig att använda pandas för att sammanfoga data på ett sätt som liknar VLOOKUP-formler i ett kalkylblad. Du lär dig om tre typer av joins och fokuserar sedan på den första typen – en-till-en-joins.

Typer av joins

En-till-en-kopplingar

En-till-många-kopplingar

Många-till-många-kopplingar

En närmare titt på en-till-en-kopplingar

Sätt ramverket i rätt ordning.

Replikera VLOOKUP

Sammanfoga på två eller fler nycklar

Kombinera gemensam data med inre kopplingar

Objektorienterade sammanslagningar

Grundläggande inner joins

Hantera olika namngivning

Välj rätt metod för sammanslagning

Joins i VLOOKUP-stil

I det här kapitlet fokuserar vi på en-till-många-relationer. Du övar på att identifiera relationen mellan nyckelkolumner och på att sammanfoga dataramar per kolumn. Du lär dig också att sammanfoga två eller flera dataramar baserat på deras index.

"Av många, ett"

Ramverk del 2: en-till-många-sammanslagningar

Identifiera en-till-många-relationer

Sammanfoga med nyckelkolumner

Kontrollera om det finns duplicerade nycklar

Genomföra en en-till-många-sammanslagning

Indexbaserade joins

Sammanfogning på index

Sammanfoga flera tabeller

Repetera en-till-många-join

En-till-många-joins

I det avslutande kapitlet lär du dig avancerade jointekniker att använda när du ställs inför utmanande data. Du avslutar med en fallstudie som sätter dina färdigheter på prov.

Att sammanfoga data i praktiken

Blanda index och kolumner

Suffix och indikatorer

Arbeta med tidsdata

Kombinera tidsserier

Matcha till närmaste tidpunkt

Sammanfattning och fallstudie

Fallstudieutmaning – del 1

Fallstudieutmaning – del 2

Fallstudieutmaning – del 3

Avancerade joins

Players draft

Current players

New weather data

Games Plays

Games

Att sammanfoga två eller flera datamängder är nödvändigt i nästan alla verkliga analyser. Du har gjort det tidigare i kalkylblad med VLOOKUP och liknande funktioner. Kan du bygga vidare på den erfarenheten när du nu går över till Python? Ja! I den här kursen lär du dig allt om hur man sammanfogar datamängder med pandas – Pythons ledande bibliotek för att hantera tabelldata. Du tillämpar pandas-funktioner för att kombinera data från National Football League (NFL) i en bekant kalkylbladsmiljö. Med dessa färdigheter kan du utnyttja kraften i pandas och integrera större, mer komplexa datamängder i valfri analys.

Python for Spreadsheet Users

Lär dig att effektivt sammanfoga dataset i tabellformat med Python-biblioteket Pandas.

Pandas-joins för kalkylbladanvändare

Lär dig hur du effektivt och smidigt sammanfogar dataset i tabellformat med Python-biblioteket Pandas.  

Du kan joina dataramar på fler än en kolumn eller indexnivå utan att konkatenera.

Många populära maskininlärningspaket i Python tar emot pandas-dataramar som indata.

Du kan bara joina två ursprungliga dataramar i ett enda uttryck.

Dataramar har en gräns på 16 777 216 rader (2\*\*22).

Fördelar med pandas-joins

Pandas-joins för kalkylbladanvändare

Interaktiv övning med praktiskt arbete