Restricciones de unicidad

Limpieza de datos en Python

Adel Nehme

VP of AI Curriculum, DataCamp

¿Qué son los valores duplicados?

Todas las columnas tienen los mismos valores.

first_name last_name address height weight
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruselas 193 cm 87 kg
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruselas 193 cm 87 kg
Limpieza de datos en Python

¿Qué son los valores duplicados?

La mayoría de las columnas tienen los mismos valores.

first_name last_name address height weight
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruselas 193 cm 87 kg
Justin Saddlemyer Boulevard du Jardin Botanique 3, Bruselas 194 cm 87 kg
Limpieza de datos en Python

¿Por qué ocurren?

duplicate_1

Limpieza de datos en Python

¿Por qué ocurren?

duplicate_2

Limpieza de datos en Python

¿Por qué ocurren?

duplicate_3

Limpieza de datos en Python

¿Cómo encontrar valores duplicados?

# Print the header
height_weight.head()

  first_name last_name                       address  height  weight
0       Lane     Reese              534-1559 Nam St.     181      64
1       Ivor    Pierce             102-3364 Non Road     168      66
2      Roary    Gibson   P.O. Box 344, 7785 Nisi Ave     191      99
3    Shannon    Little  691-2550 Consectetuer Street     185      65
4      Abdul       Fry                4565 Risus St.     169      65
Limpieza de datos en Python

¿Cómo encontrar valores duplicados?

# Get duplicates across all columns
duplicates = height_weight.duplicated()
print(duplicates)

1       False
...     ....
22      True
23      False
...     ...
Limpieza de datos en Python

¿Cómo encontrar valores duplicados?

# Get duplicate rows
duplicates = height_weight.duplicated()
height_weight[duplicates]

    first_name last_name                               address  height  weight
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
Limpieza de datos en Python

¿Cómo encontrar filas duplicadas?

El método « .duplicated() »

subset: Lista de nombres de columnas para comprobar si hay duplicados.

keep: Si se deben conservar los valores duplicados primeros ('first'), últimos ('last') o todos (False).

# Column names to check for duplication
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
Limpieza de datos en Python

¿Cómo encontrar filas duplicadas?

# Output duplicate values
height_weight[duplicates]

    first_name last_name                               address  height  weight
1         Ivor    Pierce                     102-3364 Non Road     168      66
22        Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
Limpieza de datos en Python

¿Cómo encontrar filas duplicadas?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
22        Cole    Palmer                       8366 At, Street     178      91
102       Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75
Limpieza de datos en Python

¿Cómo encontrar filas duplicadas?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_full_duplicates.png

Limpieza de datos en Python

¿Cómo encontrar filas duplicadas?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_partial_duplicates.png

Limpieza de datos en Python

¿Cómo tratar los valores duplicados?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

1_3_full_duplicates.png

Limpieza de datos en Python

¿Cómo tratar los valores duplicados?

El método « .drop_duplicates() »

subset: Lista de nombres de columnas para comprobar si hay duplicados.

keep: Si se deben conservar los valores duplicados primeros ('first'), últimos ('last') o todos (False).

inplace: Elimina las filas duplicadas directamente dentro de DataFrame sin crear un nuevo objeto (True).

# Drop duplicates
height_weight.drop_duplicates(inplace = True)
Limpieza de datos en Python

¿Cómo tratar los valores duplicados?

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88
Limpieza de datos en Python

¿Cómo tratar los valores duplicados?

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

1_3_duplicate_aggregation.png

Limpieza de datos en Python

¿Cómo tratar los valores duplicados?

Los métodos .groupby() y .agg() 

# Group by column names and produce statistical summaries
column_names = ['first_name','last_name','address']
summaries = {'height': 'max', 'weight': 'mean'}
height_weight = height_weight.groupby(by = column_names).agg(summaries).reset_index()

# Make sure aggregation is done
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

first_name    last_name    address    height    weight
Limpieza de datos en Python

¡Vamos a practicar!

Limpieza de datos en Python

Preparing Video For Download...