In this chapter, we'll build a foundation for using pandas to join data. You'll learn about the types of joins and how pandas can improve your effectiveness and productivity.

Veri birleştirme: gerçek hayatta bir zorunluluk

Verileri birleştirme ihtiyacı

Bölünmüş verilerle çalışmak

Tamamlayıcı verilerle çalışmak

Birleştirme

Satırları birleştirme

Yinelenen indekslerle satırları birleştirme

Sütunları birleştirme (concatenate)

Güç ve esneklik

İfade

Doğru İfadeler

Yanlış İfadeler

pandas ile birleştirmenin avantajları

Karmaşık birleştirmeler için basit kodlama

Introduction to joining data

In this chapter, you'll learn how to use pandas for joining data in a way similar to using VLOOKUP formulas in a spreadsheet. You'll learn about three types of joins and then focus on the first type, one-to-one joins.

Types of joins

One-to-one joins

One-to-many joins

Many-to-many joins

A closer look at one-to-one joins

Unscrambling the framework.

Replicating VLOOKUP

Merging on two or more keys

Combining common data with inner joins

Object-oriented merges

Basic inner joins

Dealing with different names

Choosing the correct join method

VLOOKUP-style joins

In this chapter, we'll focus on one-to-many relationships. You'll practice identifying the relationship of key columns and joining data frames by column. You'll also learn how to join two or more data frames based on their indices.

"Out of many, one"

Framework part 2: one-to-many merges

Identifying one-to-many relationships

Joining on key columns

Checking for duplicate keys

Completing a one-to-many merge

Index-based joins

Joining on index

Joining multiple tables

Reviewing the one-to-many join

In the final chapter, you'll learn advanced joining techniques to use when faced with challenging data. You'll be presented with a challenge of your own in the form of a case study that tests your skills.

Joining data in real life

Mixing indexes and columns

Suffixes and indicators

Working with time data

Combining time series

Matching to the nearest time

Recap and case study

Case study challenge - part 1

Case study challenge - part 2

Case study challenge - part 3

Advanced joins

Games Plays

Players draft

Current players

Games

New weather data

İki veya daha fazla veri kümesini birleştirmek, gerçek dünyadaki hemen her analiz için gereklidir. Bunu daha önce elektronik tablolarda VLOOKUP ve benzeri işlevlerle yaptın. Python dünyasına geçerken bu deneyimin üzerine koyabilir misin? Evet! Bu derste, pandas ile veri kümelerini bir araya getirmenin inceliklerini öğreneceksin; pandas, tablolu verileri işlemek için Python’un altın standardıdır. Tanıdık bir elektronik tablo ortamında çerçevelenen National Football League (NFL) verilerini birleştirmek için pandas fonksiyonlarını uygulayacaksın. Bu becerilerle, pandas’ın gücünden yararlanıp daha büyük ve karmaşık veri kümelerini herhangi bir analize entegre edebileceksin.

Python for Spreadsheet Users

Python Pandas kütüphanesi ile tabloları etkili ve verimli bir şekilde birleştirmeyi öğrenin.

Elektronik Tablo Kullanıcıları için pandas Join'leri

Python Pandas kütüphanesini kullanarak tablo formatındaki veri kümelerini etkili ve verimli bir şekilde birleştirmeyi öğrenin.  

Birleştirme yaparken birden fazla sütun ya da indeks düzeyi üzerine, birleştirmeden (concatenate etmeden) bağlanabilirsin.

Python’daki birçok popüler Machine Learning paketi, girdi olarak pandas veri çerçevelerini kabul eder.

Tek bir ifadede yalnızca iki orijinal veri çerçevesini birleştirebilirsin.

Veri çerçevelerinin 16.777.216 satır (2\*\*22) sınırı vardır.

pandas ile birleştirmenin avantajları

Elektronik Tablo Kullanıcıları için pandas Join'leri

Uygulamalı interaktif egzersiz