Learn how you can merge disparate data using inner joins. By combining information from multiple sources you’ll uncover compelling insights that may have previously been hidden. You’ll also learn how the relationship between those sources, such as one-to-one or one-to-many, can affect your result. 

Inner join

What column to merge on?

Your first inner join

Inner joins and number of rows returned

One-to-many relationships

One-to-many classification

One-to-many merge

Merging multiple DataFrames

Total riders in a month

Three table merge

One-to-many merge with multiple tables

Data Merging Basics

Take your knowledge of joins to the next level. In this chapter, you’ll work with TMDb movie data as you learn about left, right, and outer joins. You’ll also discover how to merge a table to itself and merge on a DataFrame index. 

Left join

Counting missing rows with left join

Enriching a dataset

How many rows with a left join?

Other joins

Right join to find unique movies

Popular genres with right join

Using outer join to select actors

Merging a table to itself

Self join

How does pandas handle self joins?

Merging on indexes

Index merge for movie ratings

Do sequels earn more?

Merging Tables With Different Join Types

In this chapter, you’ll leverage powerful filtering techniques, including semi-joins and anti-joins. You’ll also learn how to glue DataFrames by vertically combining and using the pandas.concat function to create new datasets. Finally, because data is rarely clean, you’ll also learn how to validate your newly combined data structures.

Filtreleme birleştirmeleri

Yarı birleştirmeyi yinelemek için pandas tekniği

Yarı birleştirmenin adımları

Anti join gerçekleştirme

Bir semi join gerçekleştirme

DataFrame'leri dikey olarak birleştir

Birleştirme (concatenation) temelleri

Anahtarlarla birleştirme (concatenate)

Bütünlüğü doğrulama

Birleştirmeyi doğrulama

Ortak şarkıları bulmak için birleştir ve bir araya getir (concatenate)

 Advanced Merging and Concatenating

In this final chapter, you’ll step up a gear and learn to apply pandas' specialized methods for merging time-series and ordered data together with real-world financial and economic data from the city of Chicago. You’ll also learn how to query resulting tables using a SQL-style format, and unpivot data using the melt method.

Using merge_ordered()

Correlation between GDP and S&P500

Phillips curve using merge_ordered()

merge_ordered() caution, multiple columns

Using merge_asof()

Using merge_asof() to study stocks

Using merge_asof() to create dataset

merge_asof() and merge_ordered() differences

Selecting data with .query()

Explore financials with .query()

Subsetting rows with .query()

Reshaping data with .melt()

Select the right .melt() arguments

Using .melt() to reshape government data

Using .melt() for stocks vs bond performance

Course wrap-up

Merging Ordered and Time-Series Data

CTA Stations

Movie Actors

Movie Casts

Movie Crews

Movie Tag Lines

S&P 500

World Bank GDP

World Bank Population

Chicago Taxi Owners

Chicago Taxi Vehicles

Chicago Wards

Chicago Census

Chicago Business Licenses

Chicago Demographics by Zip Code

Chicago Business Owners

Chicago Land Use

CTA Ridership

CTA Calendar

Movies

Movie Ratings

Movie Genres

Movie Sequels

Movie Financial Data

Birden fazla veri kümesiyle çalışıp onları birleştirebilmek, her veri bilimi adayının sahip olması gereken temel bir beceridir. pandas, Python veri bilimi ekosisteminin kritik bir yapı taşıdır; Stack Overflow’da pandas soruları 5 milyon görüntülemeye ulaşmıştır. pandas kullanarak birden çok DataFrame’i birleştirme, düzenleme, bir araya getirme ve yeniden şekillendirmeyi öğren. Dünya Bankası ve Chicago Belediyesi’nden veri kümeleriyle çalışacaksın. Kursun sonunda, pandas’ta veri birleştirme konusunda sağlam bir beceri setine sahip olacaksın.

Videolarda, sol altta yer alan "Show transcript" bağlantısına tıklayarak açabileceğin canlı dökümler bulunur.

Kurs sözlüğünü, sağ taraftaki kaynaklar bölümünde bulabilirsin.

CPE kredisi almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri duyurusuna tıklayarak değerlendirmeye gidebilirsin.

Data Manipulation with pandas

Pandas ile birden fazla DataFrame'i birleştirerek, düzenleyerek ve şekillendirerek yönetin.

pandas ile Verileri Birleştirme

Pandas kullanarak verileri birleştirerek birden fazla tablodaki verileri birleştirmeyi öğrenin.

DataFrame'leri dikey olarak birleştir

Create Your Free Account