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.

Birleştirme türleri

Bire bir join'ler

Bire-çoğa birleştirmeler

Çoktan çoğa birleştirmeler

Bire bir birleştirmelere daha yakından bakış

Görevleri sırala

Çerçeveyi çözümlüyoruz.

VLOOKUP'u çoğaltma

İki veya daha fazla anahtar üzerinde birleştirme

Ortak verileri INNER JOIN ile birleştirme

Nesne tabanlı birleştirmeler

Temel inner join'ler

Farklı adlarla başa çıkma

İfade

Satırları birleştir (concatenate)

Sol birleştirme (left merge)

İç birleştirme (inner merge)

Doğru birleştirme yöntemini seçme

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

One-to-many joins

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.  

Farklı eyaletler için stadyum kapasiteleri ve konumlarını içeren üç veri kümesini birleştir.

Mümkün olduğunda kar yağışı verisiyle birlikte tüm koşu oyunlarının olduğu bir veri kümesi oluştur. Tüm koşu sonuçlarını içeren bir veri kümesi ile kar yağışlı oyunları içeren bir veri kümesini birleştir.

Pazartesi geceleri sakatlanan oyuncuların olduğu bir veri kümesi oluştur. Pazartesi gece maçlarındaki tüm oyuncuları içeren bir veri kümesi ile tüm sakatlanan oyuncuları içeren bir veri kümesini birleştir.

Doğru birleştirme yöntemini seçme

Elektronik Tablo Kullanıcıları için pandas Join'leri

Uygulamalı etkileşimli egzersiz