ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Data Wrangling with SQL: A hands-on guide to manipulating, wrangling, and engineering data using SQL

دانلود کتاب جدال داده با SQL: راهنمای عملی برای دستکاری، بحث و مهندسی داده ها با استفاده از SQL

Data Wrangling with SQL: A hands-on guide to manipulating, wrangling, and engineering data using SQL

مشخصات کتاب

Data Wrangling with SQL: A hands-on guide to manipulating, wrangling, and engineering data using SQL

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 9781837630028 
ناشر: Packt Publishing Pvt Ltd 
سال نشر: 2023 
تعداد صفحات: 1196 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 Mb 

قیمت کتاب (تومان) : 39,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Data Wrangling with SQL: A hands-on guide to manipulating, wrangling, and engineering data using SQL به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب جدال داده با SQL: راهنمای عملی برای دستکاری، بحث و مهندسی داده ها با استفاده از SQL نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب جدال داده با SQL: راهنمای عملی برای دستکاری، بحث و مهندسی داده ها با استفاده از SQL

با استفاده مؤثر و تجزیه و تحلیل داده های بدون ساختار خام به شیوه ای سیستماتیک، به یک متخصص بحث داده تبدیل شوید و تصمیمات آگاهانه بگیرید. خرید کتاب چاپی یا Kindle شامل یک کتاب الکترونیکی PDF رایگان است. ویژگی های کلیدی: اجرای بهینه سازی پرس و جو در طول کشمکش داده ها با استفاده از زبان SQL با کاربرد عملی موارد استفاده را به تمیز کردن داده ها مسلط کنید، تابع تاریخ و مقدار تهی را مدیریت کنید، و سوالات فرعی و توابع پنجره را بنویسید. تمرین سوالات خودارزیابی برای مصاحبه های مبتنی بر SQL و دورهای مطالعه موردی در دنیای واقعی شرح کتاب: میزان داده های تولید شده به سرعت در حال رشد است. برای کسب و کارها این مهم است که بتوانند این داده ها را به چالش بکشند و آن ها را سریع و کارآمد درک کنند. اگرچه بحث و جدل داده ها می تواند چالش برانگیز باشد، اما با ابزارها و تکنیک های مناسب می توانید حجم عظیمی از داده های بدون ساختار را به طور موثر مدیریت کنید. این کتاب با معرفی اصول اولیه SQL، با تمرکز بر اصول و تکنیک های اصلی بحث داده ها شروع می شود. سپس مفاهیم پیشرفته SQL مانند توابع انبوه، توابع پنجره، CTEها و سؤالات فرعی را که در دنیای تجارت بسیار محبوب هستند، کاوش خواهید کرد. مجموعه فصل های بعدی شما را از طریق توابع مختلف در پرس و جوی SQL راهنمایی می کند که باعث تاخیر در تبدیل داده ها می شود و به شما کمک می کند تفاوت بین یک پرس و جو خوب و یک پرس و جو بد را کشف کنید. شما همچنین خواهید آموخت که چگونه بحث و جدل داده و علم داده دست به دست هم می دهند. این کتاب مملو از مجموعه داده‌ها و مثال‌های عملی است که به شما کمک می‌کند مفاهیم را به طور کامل درک کنید، همراه با بهترین روش‌ها برای راهنمایی شما در هر مرحله از کشمکش داده‌ها. در پایان این کتاب، شما به تکنیک‌های ضروری و بهترین شیوه‌ها برای جدال داده‌ها مجهز می‌شوید، و عمدتاً یاد می‌گیرید که چگونه از مدل‌های داده تمیز و استاندارد برای تصمیم‌گیری آگاهانه استفاده کنید و به کسب‌وکارها کمک کنید از اشتباهات پرهزینه اجتناب کنند. آنچه خواهید آموخت: ساخت مدل‌های سری زمانی با استفاده از جدال داده‌ها کشف بهترین شیوه‌ها و همچنین نکات و ترفندهای جدال داده‌ها نحوه استفاده از پرسش‌های فرعی، توابع پنجره، CTEها، و توابع انباشته را بیابید. داده ها با استفاده از تکنیک های جدال داده ها مدل های داده تمیز و کارآمد بسازید. موارد پرت را حذف کنید و انحراف معیار را برای سنجش چولگی داده ها محاسبه کنید: این کتاب برای تحلیلگران داده است که به دنبال روش های عملی موثر برای مدیریت و تجزیه و تحلیل حجم زیادی از داده ها هستند. با استفاده از SQL این کتاب همچنین برای دانشمندان داده، مدیران محصول و اساساً هر نقشی که از شما انتظار می رود بینش داده را جمع آوری کنید و استراتژی های تجاری را با استفاده از SQL به عنوان یک زبان توسعه دهید، مفید خواهد بود. اگر شما تازه کار هستید یا دانش پایه ای از SQL و پایگاه داده دارید و درک درستی از شیوه های پاکسازی داده ها دارید، این کتاب به شما بینش بیشتری در مورد اینکه چگونه می توانید مفاهیم SQL را برای ساخت مدل های داده تمیز و استاندارد برای تجزیه و تحلیل دقیق به کار ببرید، ارائه می دهد.


توضیحاتی درمورد کتاب به خارجی

Become a data wrangling expert and make well-informed decisions by effectively utilizing and analyzing raw unstructured data in a systematic manner Purchase of the print or Kindle book includes a free PDF eBook Key Features: Implement query optimization during data wrangling using the SQL language with practical use cases Master data cleaning, handle the date function and null value, and write subqueries and window functions Practice self-assessment questions for SQL-based interviews and real-world case study rounds Book Description: The amount of data generated continues to grow rapidly, making it increasingly important for businesses to be able to wrangle this data and understand it quickly and efficiently. Although data wrangling can be challenging, with the right tools and techniques you can efficiently handle enormous amounts of unstructured data. The book starts by introducing you to the basics of SQL, focusing on the core principles and techniques of data wrangling. You\'ll then explore advanced SQL concepts like aggregate functions, window functions, CTEs, and subqueries that are very popular in the business world. The next set of chapters will walk you through different functions within SQL query that cause delays in data transformation and help you figure out the difference between a good query and bad one. You\'ll also learn how data wrangling and data science go hand in hand. The book is filled with datasets and practical examples to help you understand the concepts thoroughly, along with best practices to guide you at every stage of data wrangling. By the end of this book, you\'ll be equipped with essential techniques and best practices for data wrangling, and will predominantly learn how to use clean and standardized data models to make informed decisions, helping businesses avoid costly mistakes. What You Will Learn: Build time series models using data wrangling Discover data wrangling best practices as well as tips and tricks Find out how to use subqueries, window functions, CTEs, and aggregate functions Handle missing data, data types, date formats, and redundant data Build clean and efficient data models using data wrangling techniques Remove outliers and calculate standard deviation to gauge the skewness of data Who this book is for: This book is for data analysts looking for effective hands-on methods to manage and analyze large volumes of data using SQL. The book will also benefit data scientists, product managers, and basically any role wherein you are expected to gather data insights and develop business strategies using SQL as a language. If you are new to or have basic knowledge of SQL and databases and an understanding of data cleaning practices, this book will give you further insights into how you can apply SQL concepts to build clean, standardized data models for accurate analysis.



فهرست مطالب

Data Wrangling with SQL
Acknowledgements
Dedication
Contributors
About the authors
About the reviewers
Preface
   Who this book is for
   What this book covers
   To get the most out of this book
   Download the example code files
   Conventions used
   Get in touch
   Share Your Thoughts
   Download a free PDF copy of this book
Part 1:Data Wrangling Introduction
1
Database Introduction
   Getting started
      Establishing the foundation
      Efficient data organization
      Data integrity and consistency
   Technical requirements
   Decoding database structures – relational and non-relational
      What is a database?
      Types of databases
   Tables and relationships
      The SQL CREATE DATABASE statement
      The SQL CREATE TABLE statement
      SQL DROP TABLE versus TRUNCATE TABLE
      SQL ALTER TABLE
      SQL constraints
      SQL keys
      Database relationships
   Comparing database normalization and denormalization
      Normalization
      Types of normalization
      Denormalization
      When to apply denormalization
      Disadvantages of denormalization
   Summary
   Practical exercises
      Practical exercise 1
      Practical exercise 2
      Practical exercise 3
      Practical exercise 4
2
Data Profiling and Preparation before Data Wrangling
   What is data wrangling?
      Data wrangling steps
      The importance of data wrangling
      Benefits of data wrangling
      Data wrangling use cases
      Business use cases
   Data capture
      How does data get captured?
      Data-capturing techniques
      Web scraping
      Structured versus unstructured data
   Paid-for versus free data-wrangling tools
   Data profiling
      Data profiling types
      Data profiling techniques
   Practical exercise
      Step 1 – Discovery
      Step 2 – Structuring
      Step 3 – Cleaning
      Step 4 – Enriching
      Step 5 – Validating
      Step 6 – Publishing
   Summary
Part 2:Data Wrangling Techniques Using SQL
3
Data Wrangling on String Data Types
   SQL data types
      Numeric data types
      Date and time data types
      String data type
   SQL string functions
      RIGHT()
      LEFT()
      LEN()
      TRIM()
      RTRIM()
      LTRIM()
      RPAD()
      LPAD()
      REPLACE()
      REVERSE()
      SUBSTRING()
      CAST()
      CONCATENATE()
      CONCATENATE_WS()
      UPPER function
      LOWER function
      INITCAP function
      INSTR function
   Summary
   Practical exercises
      Practical exercise 1
      Practical exercise 2
      Practical exercise 3
      Practical exercise 4
4
Data Wrangling on the DATE Data Type
   SQL DATE data type functions
      EXTRACT
      DATEDIFF()
      TIMEDIFF()
      DATE_ADD()
      DATE_SUB()
      DATE_FORMAT()
      STR_TO_DATE()
      Extracting the current date and time
   Summary
5
Handling NULL Values
   The impact of missing data and NULL values on data analysis
   Understanding the importance of data validation and cleaning before analyzing data
   Identifying NULL/missing values
   NULL values versus zero values
   Using the IS NULL and IS NOT NULL operators to filter and select data with NULL values
      IS NULL() and IS NOT NULL() – scenario
   Using the COALESCE and IFNULL functions to replace NULL values with a default value
      IFNULL()
      COALESCE()
      IS NULL versus = NULL
   Summary
6
Pivoting Data Using SQL
   SQL Transpose – rows to columns
      Use case scenario
   SQL Cross Tab – columns to rows
      Use case scenario
      Unpivoting data in SQL
      Analytical workflow – from SQL to business intelligence – transforming data into actionable insights
   Summary
Part 3:SQL Subqueries, Aggregate And Window Functions
7
Subqueries and CTEs
   Introduction to subqueries
      Simple subqueries
      Correlated subqueries
      Using subqueries in SELECT statements
      Using subqueries in FROM statements
      Using subqueries in WHERE statements
      Nested subqueries
      Correlated subqueries
      Using subqueries in INSERT, UPDATE, and DELETE statements
   Managing and maintaining subqueries
      Common table expressions
      Performance considerations for subqueries and CTEs
      Subquery versus CTEs
   Summary
8
Aggregate Functions
   Overview of aggregate functions in SQL
      Using GROUP BY
      COUNT()
      SUM()
      AVG()
      MIN() and MAX()
      COUNT(DISTINCT)
      Case scenario – using all aggregate functions
   Summary
9
SQL Window Functions
   The importance of SQL window functions
   SQL aggregate functions
   SQL window functions versus aggregate functions
      Window functions versus aggregate functions – an example to illustrate the differences
   Window functions
      SUM()
      COUNT()
      AVG()
      ROW_NUMBER()
      RANK() and DENSE_RANK()
      Lead() and Lag()
      NTILE()
   Summary
Part 4:Optimizing Query Performance
10
Optimizing Query Performance
   Introduction to query optimization
   Query execution plan
   Query optimization techniques
      Example
      Caching
      Normalization
   Query monitoring and troubleshooting
      Query profiling
      Query logging
      Database monitoring
   Tips and tricks for writing efficient queries
   Summary
   In the next chapter, we will learn about descriptive statistics using SQL, which will provide us with insights into the distribution, central tendency, and variability of data, which can, in turn, help us identify outliers and anomalies. Common SQL functions and statements used for descriptive statistics include COUNT, AVG, MIN, MAX, and GROUP BY. By using SQL to analyze data, researchers and analysts can efficiently extract and summarize information from large datasets.
Part 5:Data Science And Wrangling
11
Descriptive Statistics with SQL
   Calculating descriptive statistics with SQL
      Mean
      Median
      Mode
      Standard deviation
      Variance
      Variability
   Summary
   In the next chapter, we will learn how SQL can be used for time series analysis.
12
Time Series with SQL
   Running totals
      Case scenario
   Lead and lag for time series analysis
      Case scenario
      Key KPIs
   Percentage change
      Case scenario
      Key KPIs
   Moving averages
      Case scenario
      Key KPIs
   Rank for time series analysis
      Case scenario
      Key KPIs
   CTE for time series analysis
      Importance of using CTEs while performing time series analysis
   Forecasting with linear regression
      Case scenario
      Key KPIs
   Summary
   In the next chapter, we will learn different methods to find outliers in the data easily. Outlier detection is an important aspect of data analysis as it helps determine if the data is correct, looks at the skewness of the data, and removes any unexpected values.
13
Outlier Detection
   Measures of central tendency and dispersion
      Case scenario
      Key KPIs
   Methods for detecting outliers
      Box plot method
   Handling outliers
      Case scenario
      Key points to keep in mind while handling outliers
   Applying outlier detection
      Challenges and limitations
      Best practices
   Summary
Index
   Why subscribe?
Other Books You May Enjoy
   Packt is searching for authors like you
   Share Your Thoughts
   Download a free PDF copy of this book




نظرات کاربران