Nur wenige Unternehmen wachsen vollständig aus eigener Kraft. Wenn Unternehmen von der Startup-Section zu größeren Betrieben übergehen, spielen strategische Partnerschaften oft eine wichtige Rolle bei der Erweiterung ihrer Fähigkeiten, dem Zugang zu neuen Märkten und der Verbesserung der Entscheidungsfindung. Für Unternehmen, die sich auf Enterprise Intelligence und Datenmanagement konzentrieren, können die richtigen Partnerschaften Ressourcen, Fachwissen und Möglichkeiten bieten, die das langfristige Wachstum unterstützen.

Partnerschaften helfen, frühe Lücken zu schließen

Startups stoßen häufig an Price range-, Private- und technische Ressourcenbeschränkungen. Strategische Partnerschaften können jungen Unternehmen den Zugang erleichtern Fähigkeiten oder Dienste, die sie möglicherweise nicht intern erstellen können. Technologieanbieter, Datenplattformen, Berater und Branchenspezialisten können Startups dabei helfen, schneller voranzukommen, ohne den Overhead wesentlich zu erhöhen. Diese Beziehungen ermöglichen es Unternehmen, sich auf ihre Kernkompetenzen zu konzentrieren und bei Bedarf externes Fachwissen zu nutzen.

Zugang zu besseren Daten und Erkenntnissen

Datengesteuerte Organisationen sind auf genaue Informationen angewiesen. Partnerschaften mit Softwareanbietern, Analyseanbietern und Datenquellen können die Qualität und Verfügbarkeit von Enterprise Intelligence verbessern. Der Zugriff auf umfassendere Datensätze kann Unternehmen dabei helfen, Tendencies zu erkennen, das Kundenverhalten zu verstehen und fundiertere Entscheidungen zu treffen. Wenn Unternehmen wachsen, wird die Fähigkeit, Informationen aus mehreren Quellen zu sammeln und zu analysieren, oft immer wichtiger.

Erweiterung der Marktreichweite

Wachstum erfordert häufig die Gewinnung neuer Kunden. Strategische Allianzen können Unternehmen Zugang zu Märkten verschaffen, zu denen sie sonst möglicherweise nur schwer Zugang hätten. Eine Partnerschaft mit einem etablierten Unternehmen kann den Zugang zu neuen Branchen, geografischen Regionen oder Kundensegmenten ermöglichen.

Für datenorientierte Unternehmen können diese Beziehungen auch Möglichkeiten eröffnen, Lösungen in bestehende Plattformen zu integrieren und so Produkte für potenzielle Kunden attraktiver zu machen. Partnerschaften schaffen oft einen Mehrwert für beide beteiligten Organisationen.

Glaubwürdigkeit und Vertrauen aufbauen

Vertrauen spielt eine große Rolle beim Unternehmenswachstum. Die Zusammenarbeit mit angesehenen Partnern kann den Ruf eines Unternehmens stärken und das Vertrauen bei Kunden, Investoren und Stakeholdern stärken. Dies ist besonders wichtig in Branchen, in denen Datengenauigkeit, Sicherheit und Betriebszuverlässigkeit genau bewertet werden.

Zum Beispiel die Durchführung von Investoren Due Diligence des Fondsmanagers kann strategische Partnerschaften als einen Indikator für die Stabilität des Unternehmens und die Marktpositionierung betrachten. Intestine etablierte Partnerschaften können die Glaubwürdigkeit unterstützen, wenn Organisationen weiter wachsen.

Partnerschaften müssen sich mit dem Wachstum weiterentwickeln

Die Bedürfnisse eines Startups unterscheiden sich oft von denen einer größeren Organisation. Wenn Unternehmen wachsen, sollten Führungskräfte regelmäßig bewerten, ob bestehende Partnerschaften noch mit den Unternehmenszielen übereinstimmen. Einige Beziehungen können mit der Zeit wertvoller werden, während andere möglicherweise nicht mehr die gleichen Vorteile bieten. Klare Kommunikation, gemeinsame Ziele und regelmäßige Leistungsüberprüfungen tragen dazu bei, dass Partnerschaften auch bei sich ändernden Geschäftsanforderungen produktiv bleiben.

Strategische Partnerschaften können das Wachstum in jeder Section der Unternehmensentwicklung unterstützen. Von der Schließung von Ressourcenlücken und der Verbesserung des Zugangs zu Daten bis hin zur Erweiterung der Marktreichweite und der Stärkung der Glaubwürdigkeit tragen diese Beziehungen oft zum langfristigen Erfolg bei. Organisationen, die Partnerschaften sorgfältig auswählen und verwalten, sind häufig besser in der Lage, effizient zu skalieren und gleichzeitig fundiertere Geschäftsentscheidungen zu treffen. Weitere Informationen finden Sie in der Infografik unten.

Anthropisch angekündigt Am Mittwoch hat das Unternehmen Vercept übernommen, ein in Seattle ansässiges Startup für künstliche Intelligenz, das sich auf Agenten zur „Computernutzung“ spezialisiert hat. Dies ist die zweite große Übernahme innerhalb von drei Monaten.

Der Deal folgt auf den Kauf der Programmier-Engine Bun durch Anthropic im Dezember und zielt darauf ab, die Entwicklung von Agentenfähigkeiten für seine Claude-KI-Plattform zu beschleunigen. Vercept ist vor allem für Vy bekannt, einen cloudbasierten Agenten, der macOS-Umgebungen aus der Ferne bedienen kann. Anthropic bestätigte, dass es die bestehende Produktlinie von Vercept am 25. März schließen wird, sodass bestehende Kunden 30 Tage Zeit haben, von der Plattform zu migrieren.

Kiana Ehsani, CEO von Vercept, gab an, dass das Startup seit seiner Gründung insgesamt 50 Millionen US-Greenback eingesammelt habe, einschließlich einer 16-Millionen-Greenback-Seed-Runde im Januar 2025 unter der Leitung von Seth Bannon von A12. Laut Berichten von TechCrunch und GeekWire gehörten zum Investorenpool des Unternehmens der ehemalige Google-CEO Eric Schmidt, der Chefwissenschaftler von Google DeepMind, Jeff Dean, und der Mitbegründer von Dropbox, Arash Ferdowsi.

Die Übernahme stieß bei Vercept-Mitbegründer und Investor Oren Etzioni, dem Gründungsleiter des Allen Institute for AI, auf öffentliche Kritik. Etzioni beschrieb den Deal als „das Handtuch werfen“, trotz der technischen Traktion des Unternehmens. Auf die Ankündigung folgte auf LinkedIn ein öffentlicher Streit zwischen Etzioni und dem Hauptinvestor Seth Bannon, wobei Etzioni einen Mangel an Neueinstellungen auf Unternehmensseite als Faktor für den vorzeitigen Ausstieg anführte.

Wichtige Mitglieder des technischen Groups von Vercept, darunter die Mitbegründer Ehsani, Luca Weihs und Ross Girshick, werden Anthropic beitreten. Andere Mitbegründer, darunter Etzioni und Matt Deitke, die kürzlich dem Superintelligence Lab von Meta beigetreten sind, werden nicht zum übernehmenden Unternehmen wechseln. Die finanziellen Bedingungen der Transaktion wurden nicht bekannt gegeben, Etzioni bestätigte jedoch, dass die Transaktion eine optimistic Rendite für die Anleger brachte.

Anthropic ist ein in San Francisco ansässiges KI-Sicherheits- und Forschungsunternehmen, das durch milliardenschwere Investitionen von Amazon und Google unterstützt wird. Das Unternehmen konkurriert direkt

---

Hervorgehobener Bildnachweis

KI-Finanzgeschäfte Staartup Ramp kündigten seine Serie E-2 an und erhöhen 500 Millionen Greenback bei a 22,5 Milliarden US -Greenback Bewertung. Mit dieser Runde hat die in New York ansässige Rampe angehoben 1,9 Milliarden US -Greenback bei der Gesamtförderung der Eigenkapital. Das Unternehmen sagte, es begann Anfang dieses Jahres Cashflow zu generieren.

Iconiq leitete die Runde mit fortgesetzter Unterstützung bestehender Investoren, einschließlich aller Teilnehmer aus dem Juni 2025 Serie E: Gründerfonds, D1 Capital Companions, GIC, Coatue, Avenir Wachstum, Thrive Capital, Khosla Ventures, Sands Capital, 8 VC, Lux Capital, Höhenmesser, Definitionskapital, 137 Ventures, Basic Catalyst und Stripes. Zu den neuen Investoren für diese Runde gehören: Sutter Hill Ventures, Lightspeed Ventures, T. Rowe Value Associates, Inc., GV (Google Ventures), Emerson Collective, Operator Collective und Pingrove Capital Companions.

Entsprechend Ein Artikel im Wall Avenue JournalRamp berichtet, dass mehr als 40.000 Unternehmen ihre Produkte nutzen, dass sie mehr als 1.000 Mitarbeiter haben und im Jahr 2023 mehr als 15.000 Kunden hatten. RAMP meldete ab März auch einen Jahresumsatz von 700 Millionen US -Greenback.

„Wir konzentrieren uns darauf, sicherzustellen, dass unsere einzige Einschränkung das Ausmaß unseres Ehrgeizes ist“ Will PetrieChief Monetary Officer bei Rampe. „Wir haben eine Festungsbilanz und ein beschleunigtes Kerngeschäft. Beide werden es uns ermöglichen, als AI die Zukunft der Finanzierung zu gewinnen.“

Ramp ist eine Finanzbetriebsplattform, die Unternehmen Zeit und Geld sparen soll, indem er mühsame, zeitaufwändige Aufgaben automatisiert. Seine All-in-One-Lösung kombiniert Zahlungen, Unternehmenskarten, Herstellermanagement, Beschaffung, Reisebuchung und automatisierte Buchhaltung mit integrierten Intelligenz, um die Auswirkungen jedes {Dollars} und aller ausgegebenen Stunde zu maximieren. Über 40.000 Kunden, von Familienfarmen bis hin zu Weltraum -Startups, haben gespart 10 Milliarden Greenback und 27,5 Millionen Stunden mit Ramp, so das 2019 gegründete Unternehmen.

https://www.youtube.com/watch?v=c8fk6l1kvxq

In diesem Projektleitwechsel werden wir untersuchen, wie Sie mit großen Datensätzen effizient arbeiten, indem wir Begin -up -Investitionsdaten von Crunchbase analysieren. Durch die Optimierung des Speicherverbrauchs und die Nutzung von SQLite werden wir Erkenntnisse über Spendenbeschaffung aufdecken, während wir Techniken lernen, die auf reale Datenherausforderungen skalieren.

Die Arbeit mit großen Datensätzen ist eine häufige Herausforderung bei der Datenanalyse. Wenn Ihr Datensatz die Speicherkapazität Ihres Computer systems überschreitet, benötigen Sie intelligente Strategien, um die Daten effektiv zu verarbeiten und zu analysieren. Dieses Projekt zeigt praktische Techniken zur Behandlung mittel- bis großer Datensätze, die jeder Datenfachmann kennen sollte.

In diesem Tutorial arbeiten wir in einer selbst auferlegten Einschränkung von 10 MB Speicher-einem Lehrgerät, das die Herausforderungen simuliert, denen Sie mit wirklich massiven Datensätzen stehen werden. Am Ende haben Sie einen 57-MB-Datensatz in eine optimierte Datenbank umgewandelt, die für die Blitzanalyse bereit ist.

Was du lernen wirst

Am Ende dieses Tutorials werden Sie wissen, wie man:

• Verarbeiten Sie große CSV -Dateien in Stücken, um Speicherfehler zu vermeiden
• Identifizieren und entfernen Sie unnötige Spalten, um die Datensatzgröße zu reduzieren
• Konvertieren Sie Datentypen in speichereffizientere Alternativen
• Laden Sie optimierte Daten in SQLite für eine effiziente Abfrage
• Kombinieren Sie Pandas und SQL für leistungsstarke Datenanalyse -Workflows
• Diagnose von Codierungsproblemen und Behandeln von Nicht-UTF-8-Dateien
• Erstellen Sie Visualisierungen aus aggregierten Datenbankabfragen

Bevor Sie beginnen: Vorabstrukturierung

Folgen Sie diese vorbereitenden Schritte, um das Beste aus diesem Projekt zu machen:

1. Überprüfen Sie das Projekt

   Greifen Sie auf das Projekt zu und machen Sie sich mit den Zielen und Struktur vertraut: Analyse von Startup -Spendenaktionen.

2. Greifen Sie auf das Lösungsnotizbuch zu

   Sie können es hier anzeigen und herunterladen, um zu sehen, was wir behandeln werden: Lösungsnotizbuch

3. Bereiten Sie Ihre Umgebung vor

   • Wenn Sie die DataQuest -Plattform verwenden, ist für Sie bereits alles eingerichtet
   • Wenn Sie vor Ort arbeiten, stellen Sie sicher, dass Sie Python mit pandas und sqlite3 installiert haben
   • Laden Sie den Datensatz von herunter Github (Oktober 2013 Crunchbase -Daten)

4. Voraussetzungen

   • Bequem mit Python -Grundlagen (Schleifen, Wörterbücher, Datentypen)
   • Grundlegende Vertrautheit mit Pandas DataFrames
   • Einige SQL -Wissen sind hilfreich, aber nicht erforderlich

Neu im Markdown? Wir empfehlen, die Grundlagen zu lernen, um Header zu formatieren und Ihrem Jupyter Pocket book: Markdown -Handbuch einen Kontext hinzuzufügen.

Einrichten Ihrer Umgebung

Beginnen wir mit dem Importieren von Pandas und dem Verständnis der bevorstehenden Herausforderung:

import pandas as pd

Bevor wir mit unserem Datensatz arbeiten, lassen Sie uns unsere Einschränkung verstehen. Wir simulieren ein Szenario, in dem wir nur 10 MB Speicher für unsere Analyse zur Verfügung haben. Während diese spezifische Grenze für Unterrichtszwecke künstlich ist, gelten die Techniken, die wir lernen, direkt für reale Situationen mit Datensätzen mit Millionen von Zeilen.

Lern Perception: Als ich als Datenanalyst anfing, versuchte ich, einen 100.000-Reihen-Datensatz auf meinem lokalen Pc zu laden, und es stürzte ab. Ich battle blind, weil ich nichts über Optimierungstechniken wusste. Zu verstehen, was einen großen Speicherverbrauch verursacht und wie Sie damit umgehen können, sind wertvolle Fähigkeiten, die Ihnen unzählige Stunden der Frustration ersparen.

Laden des Datensatzes mit Chunking

Unsere erste Herausforderung: Die CSV-Datei ist nicht UTF-8 codiert. Lassen Sie uns das richtig umgehen:

# This may not work - let's have a look at the error
df = pd.read_csv('crunchbase-investments.csv')

Wenn Sie dies versuchen, erhalten Sie eine UnicodeDecodeError. Dies ist unsere erste Lektion in der Arbeit mit realen Daten: Es ist oft chaotisch!

# Let's use chunking with correct encoding
chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1')

Lerneinblick: Latin-1 ist eine gute Fallback-Kodierung, wenn UTF-8 fehlschlägt. Denken Sie an Codierung wie Sprachen-wenn Ihr Pc Englisch (UTF-8) erwartet, aber spanisch wird (Latin-1), muss er wissen, wie man übersetzt wird. Der Codierungsparameter sagt nur, welche „Sprache“ zu erwarten ist.

Lassen Sie uns nun herausfinden, wie groß unser Datensatz ist:

cb_length = ()

# Rely rows throughout all chunks
for chunk in chunk_iter:
    cb_length.append(len(chunk))

total_rows = sum(cb_length)
print(f"Whole rows in dataset: {total_rows}")

Whole rows in dataset: 52870

Optimierungsmöglichkeiten identifizieren

Fehlende Werte finden

Spalten mit vielen fehlenden Werten sind Hauptkandidaten für die Entfernung:

# Re-initialize the chunk iterator (it is exhausted after one move)
chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1')

mv_list = ()
for chunk in chunk_iter:
    if not mv_list:  # First chunk - get column names
        columns = chunk.columns
        print("Columns in dataset:")
        print(columns.sort_values())
    mv_list.append(chunk.isnull().sum())

# Mix lacking worth counts throughout all chunks
combined_mv_vc = pd.concat(mv_list)
unique_combined_mv_vc = combined_mv_vc.groupby(combined_mv_vc.index).sum()
print("nMissing values by column:")
print(unique_combined_mv_vc.sort_values(ascending=False))

Columns in dataset:
Index(('company_category_code', 'company_city', 'company_country_code',
       'company_name', 'company_permalink', 'company_region',
       'company_state_code', 'funded_at', 'funded_month', 'funded_quarter',
       'funded_year', 'funding_round_type', 'investor_category_code',
       'investor_city', 'investor_country_code', 'investor_name',
       'investor_permalink', 'investor_region', 'investor_state_code',
       'raised_amount_usd'),
      dtype='object')

Lacking values by column:
investor_category_code    50427
investor_state_code       16809
investor_city             12480
investor_country_code     12001
raised_amount_usd          3599
...

Erkenntnis lernen: die investor_category_code Die Spalte hat 50.427 fehlende Werte von 52.870 Gesamtzeilen. Das fehlt über 95%! Diese Spalte bietet praktisch keinen Wert und ist ein perfekter Kandidat für das Entfernen. Wenn eine Spalte mehr als 75% ihrer Werte fehlt, ist es normalerweise sicher, sie vollständig fallen zu lassen.

Analyse des Speicherverbrauchs

Lassen Sie uns sehen, welche Spalten den größten Speicher verbrauchen:

chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1')

counter = 0
series_memory_fp = pd.Collection(dtype='float64')

for chunk in chunk_iter:
    if counter == 0:
        series_memory_fp = chunk.memory_usage(deep=True)
    else:
        series_memory_fp += chunk.memory_usage(deep=True)
    counter += 1

# Drop the index reminiscence calculation
series_memory_fp_before = series_memory_fp.drop('Index').sort_values()
print("Reminiscence utilization by column (bytes):")
print(series_memory_fp_before)

# Whole reminiscence in megabytes
total_memory_mb = series_memory_fp_before.sum() / (1024 * 1024)
print(f"nTotal reminiscence utilization: {total_memory_mb:.2f} MB")

Reminiscence utilization by column (bytes):
funded_year                  422960
raised_amount_usd            422960
investor_category_code       622424
...
investor_permalink          4980548
dtype: int64

Whole reminiscence utilization: 56.99 MB

Unser Datensatz verwendet quick 57 MB, was unsere 10 -MB -Einschränkung weit überschreitet! Die Permalink Columns (URLs) sind die größten Speicherschweine, sodass sie großartige Kandidaten aus unserem Datenrahmen entfernen können.

Implementierung von Optimierungsstrategien

Unnötige Spalten fallen lassen

Lassen Sie uns basierend auf unserer Analyse Spalten entfernen, die unserer Analyse nicht helfen:

# Columns to drop
drop_cols = ('investor_permalink',      # URL - not wanted for evaluation
             'company_permalink',        # URL - not wanted for evaluation
             'investor_category_code',   # 95% lacking values
             'funded_month',            # Redundant - now we have funded_at
             'funded_quarter',          # Redundant - now we have funded_at
             'funded_year')             # Redundant - now we have funded_at

# Get columns to maintain
chunk = pd.read_csv('crunchbase-investments.csv', nrows=1, encoding='Latin-1')
keep_cols = chunk.columns.drop(drop_cols)
print("Columns we're protecting:")
print(keep_cols.tolist())

Erkenntnis lernen: Beachten Sie, wie wir nur fallen investor_category_code Unter den Spalten mit fehlenden Daten. Obwohl investor_cityAnwesend investor_state_codeUnd investor_country_code Auch fehlende Werte enthalten, sie überschritten den 75% igen Schwellenwert nicht und wurden für potenzielle zukünftige Erkenntnisse beibehalten.

Außerdem lassen wir die Spalten von Monat, Quartal und Jahr fallen, obwohl sie Daten haben. Dies folgt dem Programmierprinzip „Wiederholen Sie sich nicht“ (trocken). Da haben wir das volle Datum in funded_atWir können bei Bedarf Monat, Quartal oder Jahr später extrahieren. Dies spart uns erheblichem Speicher, ohne Informationen zu verlieren.

Identifizierung von Datentypoptimierungsmöglichkeiten

Überprüfen Sie, welche Spalten in effizientere Datentypen konvertiert werden können:

# Analyze knowledge varieties throughout chunks
col_types = {}
chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1',
                         usecols=keep_cols)

for chunk in chunk_iter:
    for col in chunk.columns:
        if col not in col_types:
            col_types(col) = (str(chunk.dtypes(col)))
        else:
            col_types(col).append(str(chunk.dtypes(col)))

# Get distinctive varieties per column
uniq_col_types = {}
for ok, v in col_types.gadgets():
    uniq_col_types(ok) = set(col_types(ok))

print("Information varieties by column:")
for col, varieties in uniq_col_types.gadgets():
    print(f"{col}: {varieties}")

Lassen Sie uns nun die eindeutigen Wertzahlen überprüfen, um kategoriale Kandidaten zu identifizieren:

unique_values = {}

chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1',
                         usecols=keep_cols)

for chunk in chunk_iter:
    for col in chunk.columns:
        if col not in unique_values:
            unique_values(col) = set()
        unique_values(col).replace(chunk(col).distinctive())

print("Distinctive worth counts:")
for col, unique_vals in unique_values.gadgets():
    print(f"{col}: {len(unique_vals)} distinctive values")

Distinctive worth counts:
company_name: 11574 distinctive values
company_category_code: 44 distinctive values
company_country_code: 3 distinctive values
company_state_code: 51 distinctive values
...
funding_round_type: 10 distinctive values

Lernerkenntnis: Jede Spalte mit weniger als 100 eindeutigen Werten ist ein guter Kandidat für die class Datentyp. Kategorien sind unglaublich speichereffizient für wiederholte Zeichenfolgenwerte. Stellen Sie sich es wie ein Wörterbuch vor, das „USA“ 10.000 Mal speichert. Pandas speichert es einmal und verwendet eine Referenznummer.

Optimierungen anwenden

Laden wir unsere Daten mit allen angewandten Optimierungen:

Hinweis: Wir konvertieren funded_at zu einem datetime datentyp mit dem pd.read_csv Optionaler Parameter parse_dates

# Outline categorical columns
col_types = {
    'company_category_code': 'class',
    'funding_round_type': 'class',
    'investor_state_code': 'class',
    'investor_country_code': 'class'
}

# Load with optimizations
chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1',
                         usecols=keep_cols,
                         dtype=col_types,
                         parse_dates=('funded_at'))

# Calculate new reminiscence utilization
counter = 0
series_memory_fp_after = pd.Collection(dtype='float64')

for chunk in chunk_iter:
    if counter == 0:
        series_memory_fp_after = chunk.memory_usage(deep=True)
    else:
        series_memory_fp_after += chunk.memory_usage(deep=True)
    counter += 1

series_memory_fp_after = series_memory_fp_after.drop('Index')
total_memory_after = series_memory_fp_after.sum() / (1024 * 1024)

print(f"Reminiscence utilization earlier than optimization: 56.99 MB")
print(f"Reminiscence utilization after optimization: {total_memory_after:.2f} MB")
print(f"Discount: {((56.99 - total_memory_after) / 56.99 * 100):.1f}%")

Reminiscence utilization earlier than optimization: 56.99 MB
Reminiscence utilization after optimization: 26.84 MB
Discount: 52.9%

Wir haben unsere Gedächtnisnutzung um mehr als die Hälfte gesetzt!

Laden in SQLite

Laden wir nun unsere optimierten Daten in eine SQLite -Datenbank für eine effiziente Abfrage:

import sqlite3

# Create database connection
conn = sqlite3.join('crunchbase.db')

# Load knowledge in chunks and insert into database
chunk_iter = pd.read_csv('crunchbase-investments.csv',
                         chunksize=5000,
                         encoding='Latin-1',
                         usecols=keep_cols,
                         dtype=col_types,
                         parse_dates=('funded_at'))

for chunk in chunk_iter:
    chunk.to_sql("investments", conn, if_exists='append', index=False)

# Confirm the desk was created
cursor = conn.cursor()
cursor.execute("SELECT title FROM sqlite_master WHERE kind='desk';")
tables = cursor.fetchall()
print(f"Tables in database: {(t(0) for t in tables)}")

# Preview the information
cursor.execute("SELECT * FROM investments LIMIT 5;")
print("nFirst 5 rows:")
for row in cursor.fetchall():
    print(row)

Lerner Perception: SQLite ist perfekt für diesen Anwendungsfall, da wir uns, sobald sich unsere Daten in der Datenbank befinden, keine Sorgen mehr über Speicherbeschränkungen machen müssen. SQL -Abfragen sind unglaublich schnell und effizient, insbesondere für Aggregationsoperationen. Was komplexe PANDAS -Operationen mit Chunking erfordern würde, kann in einer einzelnen SQL -Abfrage durchgeführt werden.

Analyse der Daten

Beantworten wir eine Geschäftsfrage: Welche Unternehmenskategorien von Unternehmen ziehen durchschnittlich die meisten Investitionen an?

# Use pandas to learn SQL outcomes straight right into a DataFrame
question = """
    SELECT company_category_code,
           AVG(raised_amount_usd) as avg_raised
    FROM investments
    WHERE raised_amount_usd IS NOT NULL  -- Exclude nulls for correct common
    GROUP BY company_category_code
    ORDER BY avg_raised DESC;
"""

df_results = pd.read_sql(question, conn)

# Visualize high 15 classes
top_n = 15
ax = df_results.head(top_n).set_index('company_category_code').plot(
    sort='bar',
    figsize=(10, 6),
    title=f'High {top_n} Classes by Common Funding Quantity',
    ylabel='Common Funding (USD)',
    legend=False
)

# Format y-axis to point out precise numbers as an alternative of scientific notation
ax.ticklabel_format(model='plain', axis='y')
plt.tight_layout()
plt.present()

Wichtige Take -Aways und nächste Schritte

Durch dieses Projekt haben wir wichtige Techniken zum Umgang mit großen Datensätzen gelernt:

1. Das Chunking verhindert Speicherfehler: Verarbeiten Sie Daten in überschaubaren Teilen, wenn der vollständige Datensatz den Speicher überschreitet
2. Datentypoptimierung ist wichtig: Die Konvertierung in Kategorien und geeignete numerische Typen können den Speicher um 50% oder mehr reduzieren
3. Entfernen Sie redundante Säulen: Speichern Sie nicht die gleichen Informationen auf verschiedene Arten
4. SQLite ermöglicht eine schnelle Analyse: Einmal optimiert und geladen, komplexe Abfragen in Sekunden
5. Codierungsprobleme sind häufig: Reale Daten sind oft nicht UTF-8; Kennen Sie Ihre Alternativen

Weitere Projekte zu versuchen

Wir haben einige andere Projekte zur Walkthrough -Tutorials, die Sie auch genießen können:

Hausaufgaben Herausforderungen

Um Ihr Verständnis zu vertiefen, erweitern Sie dieses Projekt mit:

1. Weitere Optimierung: Kannst du konvertieren? raised_amount_usd von float64 bis float32 oder kleiner? Testen Sie, ob dies eine angemessene Präzision beibehält.
2. Erweiterte Analysefragen:
   • Welchen Anteil der Gesamtfinanzierung erhielten die High 10% der Unternehmen?
   • Welche Anleger haben insgesamt am meisten Geld beigetragen?
   • Welche Finanzierungsrunden (Saatgut, Serie A usw.) sind am häufigsten?
   • Gibt es saisonale Finanzierungsmuster? (Hinweis: Verwenden Sie die funded_at Spalte)
3. Datenqualität: Untersuchen Sie, warum der ursprüngliche CSV nicht UTF-8 ist codiert. Können und beheben Sie die problematischen Charaktere?

Persönliche Reflexion: Als jemand, der von der Unterrichtsmathematik zur Datenanalyse überging, erinnere ich mich, dass ich durch Gedächtnisfragen und Codierungsfehler eingeschüchtert wurde. Aber diese Herausforderungen haben mich gelehrt, dass reale Daten chaotisch sind, und das Lernen, diese Unordnung zu bewältigen, trennt gute Analysten von großen. Jede Optimierungstechnik, die Sie lernen, macht Sie in der Lage, größere und interessantere Datensätze zu bekämpfen.

Dieses Projekt zeigt, dass Sie mit den richtigen Techniken Datensätze analysieren können, die viel größer sind als Ihr verfügbarer Speicher. Unabhängig davon, ob Sie mit Startupdaten, Kundenaufzeichnungen oder Sensor -Lesungen arbeiten, werden Sie diese Optimierungsstrategien während Ihrer Datenkarriere intestine bedienen.

Wenn Sie neu in Pandas sind und die Chunking -Konzepte herausfordernd gefunden haben, beginnen Sie mit unserer Verarbeitung großer Datensätze in Pandas Kurs. Für diejenigen, die bereit sind, tiefer in Information Engineering einzutauchen, lesen Sie unsere Daten Engineering Weg.

Viel Spaß bei der Analyse!

Bei der jüngsten Takeoff Tokyo -Veranstaltung, Takeru KawashimaGovt Director von 01booster, lieferte wertvolle Einblicke in das Japans Evolving Startup -Ökosystem, insbesondere in die Chancen der internationalen Startups, die Developments in Bezug auf Unternehmeninnovationen und Veränderungen der Risikokapitalstrategien.

01Booster investiert weltweit ohne strenge Anforderungen für Begin -ups sofort in Japan. Laut Kawashima gibt es zwar keine obligatorische Erkrankung für internationale Begin -ups, die zunächst eine japanische Präsenz haben, aber es wird aufgrund des robusten Unternehmensmarktes Japans nachdrücklich empfohlen, Operationen vor Ort zu etablieren. Kawashima stellte fest: „Japan bleibt ein starker Markt für Unternehmenssoftware- und Regierungsausgaben und bietet im Vergleich zu anderen asiatischen Regionen erhebliche Möglichkeiten.“

Navigieren des Anlageprozesses

Investieren in Internationale Startups stellt einzigartige Herausforderungen dar, hauptsächlich aufgrund begrenzter Kenntnisse ausländischer Märkte. Kawashima erklärte, dass der grundlegende Anlageprozess inländischen Praktiken widerspiegelt, aber es schwierig ist, in Übersee die Märkte zu verstehen. Infolgedessen werden trotz zahlreicher Möglichkeiten viele Investitionen aufgrund unzureichender Markteinsichten übersprungen. „Wir arbeiten häufig mit europäischen Risikokapitalfonds zusammen, um diese Lücke zu schließen“, erklärte er und unterstreicht die Bedeutung des lokalen Fachwissens für ihre Entscheidungsfindung.

Einzigartige Merkmale des japanischen Beschleunigungsmarktes

01booster läuft etwa 80 bis 90 Beschleunigungsprogramme und wählen bisher rund 900 Startups aus. Interessanterweise erhalten weniger als 10% Investitionen nach der Beschleunigung. Kawashima hob dies in Japan als einzigartig hervor, im Gegensatz zu Ländern wie Korea oder Singapur, in denen Beschleuniger in der Regel Aktieninvestitionen enthalten.

Put up-Covid Company Innovation Developments

Die japanische Innovationslandschaft in Japan verzeichnete nach der Pandemie erhebliche Veränderungen. Vor 2020 warfare offene Innovationen durch Beschleuniger weit verbreitet. Put up-Covid, ein Anstieg der Unternehmensunternehmen (CVCs), umgestaltet das Ökosystem. Kawashima betonte: „Die Lebenslaufwände wachsen weiter, und alle paar Monate sind neue aufgetaucht. Unternehmen sind jedoch zunehmend zusammen mit Risikokapitalgebern, anstatt Investitionen unabhängig zu verwalten.“

Herausforderungen und Chancen im Japans Startup -Ökosystem

Japans Risikokapitalumfeld steht vor spezifischen Herausforderungen, insbesondere in Bezug auf Liquiditäts- und Ausstiegsstrategien. Kawashima enthüllte, dass IPOs historisch Ausgänge dominieren, aber die schrumpfenden IPO-Bewertungen post-pandemisch anerkannten. Diese Veränderung erfordert eine Verschiebung zu Fusionen und Akquisitionen (M & A), die vielen japanischen Unternehmen unbekannt bleiben. Er beschrieb dies als „Reifeproblem“, in dem die Notwendigkeit einer stärkeren Anpassung an alternate Ausgänge hervorgehoben werden muss.

Aufkommende Developments und verschiedene Portfolios

Bei der Erörterung von Investitionstrends bemerkte Kawashima das vorsichtige, aber wachsende Interesse an Generativen Ai. Im Gegensatz zu den USA oder Korea, in denen ein erhebliches Kapital nach Genai fließt, bleibt Japan weiterhin explorativ, wobei Investitionen etwa 20% des gesamten Enterprise -Kapital -Marktes ausmachen. „Japanische Investoren identifizieren immer noch Gewinnstrategien in Genai“, erklärte Kawashima.

01booster diversifiziert seine Investitionen über die traditionellen Sektoren hinaus und untersucht aktiv die Möglichkeiten in der Konstruktionstechnologie, in Deep Tech, in den Pharmazeutika und im Inhalt der IP -Inhalte im Zusammenhang mit Animation – und kapitalisiert die einzigartigen Stärken Japans.

In Kawashima wurden bevorstehende Beschleunigerprogramme vorgestellt und Initiativen erwähnt, die sich auf Energieinnovation, B2B-Beschleunigung und von der Regierung unterstützte Programme zur Gewinnung internationaler Startups konzentrieren. Diese Programme versprechen umfassende Unterstützung, einschließlich der Finanzierung und der operativen Unterstützung für den Markteintritt.

Kawashima schloss mit dem Ausdruck von Begeisterung für die zukünftige Zusammenarbeit und verstärkte die Rolle von 01booster bei der Verbindung internationaler Innovation mit dem robusten Potenzial des japanischen Marktes.