Verificar la integridad

Unir datos con pandas

Aaren Stubberfield

Instructor

Revisemos nuestros datos.

Posible problema de fusión:

Dos DataFrames unidos horizontalmente con una relación uno a muchos.

Relación uno a muchos no intencionada
Relación muchos a muchos no intencionada

Posible problema de concatenación:

Dos DataFrames unidos verticalmente con una fila duplicada en el segundo DataFrame

Posible introducción involuntaria de registros duplicados.

Validación de fusiones

.merge(validate=None):

Comprueba si la fusión es del tipo especificado
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Combinar conjuntos de datos, por ejemplo

Nombre de la tabla: tracks

  tid  name             aid  mtid  gid  u_price
0 2    Balls to the...  2    2     1    0.99   
1 3    Fast As a Shark  3    2     1    0.99   
2 4    Restless and...  3    2     1    0.99

Nombre de la tabla: specs

  tid  milliseconds  bytes  
0 2    342562        5510424
1 3    230619        3990994
2 2    252051        4331779

Combinar validar: one_to_one

tracks.merge(specs, on='tid', 
             validate='one_to_one')

Traceback (most recent call last):
MergeError: Merge keys are not unique in right dataset; not a one-to-one merge

Combinar validar: one_to_many

albums.merge(tracks, on='aid', 
             validate='one_to_many')

  aid  title            artid  tid  name             mtid  gid  u_price
0 2    Balls to the...  2      2    Balls to the...  2     1    0.99   
1 3    Restless and...  2      3    Fast As a Shark  2     1    0.99   
2 3    Restless and...  2      4    Restless and...  2     1    0.99

Verificar concatenaciones

.concat(verify_integrity=False):

Comprueba si el nuevo índice concatenado contiene duplicados.
El valor predeterminado es False

Conjunto de datos para el ejemplo de .concat()

Nombre de la tabla: inv_feb

     cid  invoice_date  total
iid 
7    38   2009-02-01    1.98 
8    40   2009-02-01    1.98 
9    42   2009-02-02    3.96

Nombre de la tabla: inv_mar

     cid  invoice_date  total
iid 
9    17   2009-03-04    1.98 
15   19   2009-03-04    1.98 
16   21   2009-03-05    3.96

Verificar la concatenación: ejemplo

pd.concat([inv_feb, inv_mar], 
          verify_integrity=True)

Traceback (most recent call last):
ValueError: Indexes have overlapping 
values: Int64Index([9], dtype='int64', 
name='iid')

pd.concat([inv_feb, inv_mar], 
          verify_integrity=False)

     cid  invoice_date  total
iid 
7    38   2009-02-01    1.98 
8    40   2009-02-01    1.98 
9    42   2009-02-02    3.96 
9    17   2009-03-04    1.98 
15   19   2009-03-04    1.98 
16   21   2009-03-05    3.96

¿Por qué verificar la integridad y qué hacer?

¿Por qué?

Los datos del mundo real acostumbran a NO estar limpios

Qué hacer:

Corregir datos incorrectos
Eliminar filas duplicadas

¡Vamos a practicar!

Unir datos con pandas