Các kiểu join khác

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

Kết hợp dữ liệu với pandas

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Học cách bạn có thể trộn ghép dữ liệu rời rạc bằng inner join. Bằng cách kết hợp thông tin từ nhiều nguồn, bạn sẽ khám phá ra những insight thuyết phục trước đây có thể bị ẩn đi. Bạn cũng sẽ học cách mối quan hệ giữa các nguồn, như one-to-one hoặc one-to-many, có thể ảnh hưởng đến kết quả như thế nào.

Exercise 1: Inner join Exercise 2: Nên gộp theo cột nào?Exercise 3: Lần đầu inner join Exercise 4: Inner join và số lượng hàng được trả về Exercise 5: Quan hệ một-nhiều Exercise 6: Phân loại một-nhiều Exercise 7: Gộp one-to-many Exercise 8: Gộp nhiều DataFrame Exercise 9: Tổng số lượt đi trong một tháng Exercise 10: Gộp ba bảng Exercise 11: Gộp một-nhiều với nhiều bảng

Nâng cao hiểu biết của bạn về các phép join. Trong chương này, bạn sẽ làm việc với dữ liệu phim TMDb khi tìm hiểu về left, right và outer join. Bạn cũng sẽ khám phá cách nối một bảng với chính nó và cách nối dựa trên index của DataFrame.

Exercise 1: Left join Exercise 2: Đếm số hàng thiếu dữ liệu với left join Exercise 3: Làm giàu dữ liệu Exercise 4: Có bao nhiêu hàng với left join?Exercise 5: Các kiểu join khác

Bài tập hiện tại

Exercise 6: Right join để tìm các phim độc nhất Exercise 7: Thể loại phổ biến với right join Exercise 8: Dùng outer join để chọn diễn viên Exercise 9: Gộp một bảng với chính nó Exercise 10: Tự nối (self join)Exercise 11: pandas xử lý self join như thế nào?Exercise 12: Gộp dựa trên chỉ mục Exercise 13: Gộp theo index cho xếp hạng phim Exercise 14: Phần tiếp theo (sequel) có kiếm được nhiều hơn không?

Trong chương này, bạn sẽ tận dụng các kỹ thuật lọc mạnh mẽ, bao gồm semi-join và anti-join. Bạn cũng sẽ học cách “ghép keo” các DataFrame bằng cách kết hợp theo chiều dọc và dùng hàm pandas.concat để tạo tập dữ liệu mới. Cuối cùng, vì dữ liệu hiếm khi sạch, bạn cũng sẽ học cách xác thực các cấu trúc dữ liệu vừa được kết hợp.

Exercise 1: Lọc với các phép join Exercise 2: Các bước của semi join Exercise 3: Thực hiện anti join Exercise 4: Thực hiện semi join Exercise 5: Nối các DataFrame theo chiều dọc Exercise 6: Những điều cơ bản về nối (concatenate)Exercise 7: Nối kèm khóa (keys)Exercise 8: Xác minh tính toàn vẹn Exercise 9: Xác thực thao tác merge Exercise 10: Nối và gộp để tìm các bài hát chung

Ở chương cuối, bạn sẽ nâng tốc độ và học cách áp dụng các phương thức chuyên biệt của pandas để nối dữ liệu chuỗi thời gian và dữ liệu có thứ tự, với dữ liệu tài chính và kinh tế thực tế từ thành phố Chicago. Bạn cũng sẽ học cách truy vấn các bảng kết quả theo định dạng kiểu SQL và “unpivot” dữ liệu bằng phương thức melt.

Exercise 1: Sử dụng merge_ordered()Exercise 2: Tương quan giữa GDP và S&P 500 Exercise 3: Đường cong Phillips với merge_ordered()Exercise 4: Lưu ý với merge_ordered(), nhiều cột Exercise 5: Sử dụng merge_asof()Exercise 6: Dùng merge_asof() để phân tích cổ phiếu Exercise 7: Dùng merge_asof() để tạo bộ dữ liệu Exercise 8: Khác biệt giữa merge_asof() và merge_ordered()Exercise 9: Chọn dữ liệu với .query()Exercise 10: Khám phá số liệu tài chính với .query()Exercise 11: Lọc hàng với .query()Exercise 12: Tái định hình dữ liệu với .melt()Exercise 13: Chọn đúng các đối số cho .melt()Exercise 14: Dùng .melt() để định hình lại dữ liệu chính phủ Exercise 15: Dùng .melt() để so sánh hiệu suất cổ phiếu và trái phiếu Exercise 16: Tổng kết khóa học