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.

Joining data: a real-world necessity

The need for joining data

Working with split data

Working with complementary data

Concatenation

Concatenating rows

Concatenating rows with duplicated indexes

Concatenating columns

Power and flexibility

Advantages of pandas joins

Simple coding for complex merges

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.

"Çokluktan bire"

Görevleri sırala

Çerçeve bölüm 2: bire-çok birleştirmeler

Bire-çok ilişkileri belirleme

Anahtar sütunlar üzerinde birleştirme

Yinelenen anahtarları kontrol etme

Bire-çok birleştirmeyi tamamlama

Dizin tabanlı birleştirmeler

Indekste birleştirme

Birden çok tabloyu birleştirme

Bire-çok birleştirmeyi gözden geçirme

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.  

Hangi veri kümesinin üst (parent) düzeyde, hangisinin alt (sub) düzeyde olduğuna bak.

Üst (parent) düzeydeki tablo için, anahtar sütundaki değerlerin benzersiz olup olmadığını kontrol et.

Çerçeve bölüm 2: bire-çok birleştirmeler

Elektronik Tablo Kullanıcıları için pandas Join'leri

Uygulamalı etkileşimli egzersiz