Name: Łączenie danych z pandas
Rating: 4.801386159097962 (9667 reviews)

Opis kursu

Umiejętność łączenia wielu zbiorów danych i pracy z nimi to podstawa warsztatu każdego Data Scientista. pandas to jeden z filarów ekosystemu Pythona do analizy danych – Stack Overflow odnotowało ponad 5 milionów wyświetleń pytań dotyczących tej biblioteki. Naucz się pracować z wieloma obiektami DataFrame: łącz je, porządkuj, scalaj i przekształcaj przy użyciu pandas. Będziesz pracować ze zbiorami danych Banku Światowego oraz miasta Chicago. Po ukończeniu kursu będziesz dysponować solidnymi umiejętnościami łączenia danych w pandas.Filmy zawierają transkrypcje na żywo, które możesz wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu odtwarzacza.Słownik kursu znajdziesz po prawej stronie, w sekcji zasobów.Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanej ocenie. Przejdź do oceny, klikając powiadomienie o punktach CPE po prawej stronie.

Wymagania wstępne

Data Manipulation with pandas

Program nauczania

Plan kursu

Podstawy scalania danych

Dowiedz się, jak łączyć różnorodne dane za pomocą złączeń wewnętrznych (inner join). Łącząc informacje z wielu źródeł, odkryjesz ciekawe zależności, które wcześniej mogły pozostawać ukryte. Poznasz też, w jaki sposób relacje między źródłami – takie jak jeden-do-jednego czy jeden-do-wielu – wpływają na wyniki.

Zacznij rozdział

Scalanie tabel z różnymi typami złączeń

Przenieś swoją wiedzę o złączeniach na wyższy poziom. W tym rozdziale będziesz pracować z danymi filmowymi TMDb, ucząc się złączeń lewostronnych, prawostronnych i zewnętrznych. Poznasz też sposób scalania tabeli z samą sobą oraz łączenia na podstawie indeksu DataFrame.

Zacznij rozdział

Zaawansowane scalanie i konkatenacja

W tym rozdziale nauczysz się zaawansowanych technik filtrowania, w tym złączeń półzewnętrznych (semi-join) i antyłączeń (anti-join). Dowiesz się również, jak łączyć obiekty DataFrame pionowo oraz korzystać z funkcji pandas.concat do tworzenia nowych zbiorów danych. Ponieważ dane rzadko są idealne, nauczysz się też weryfikować poprawność nowo połączonych struktur.

Zacznij rozdział

Scalanie danych uporządkowanych i szeregów czasowych

W ostatnim rozdziale przyśpieszasz i uczysz się stosować wyspecjalizowane metody pandas do łączenia danych szeregów czasowych i danych uporządkowanych – na podstawie rzeczywistych danych finansowych i ekonomicznych z miasta Chicago. Poznasz też sposób odpytywania wynikowych tabel w stylu SQL oraz przekształcania danych metodą melt.