Verificação da integridade

Junção de dados com o pandas

Aaren Stubberfield

Instructor

Vamos dar uma olhada nos nossos dados

Possível problema de mesclagem:

Dois DataFrames unidos horizontalmente com uma relação um-para-muitos

Relação de um para muitos não intencional
Relação de muitos para muitos não intencional

Possível problema de concatenação:

Dois DataFrame unidos verticalmente com linha duplicada no segundo DataFrame

Registros duplicados possivelmente introduzidos sem querer

Validação de mesclagens

.merge(validate=None):

Verifica se a fusão é do tipo especificado
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Mesclagem de conjunto de dados de exemplo

Nome da tabela: 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

Nome da tabela: specs

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

Validação de mesclagem: 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

Validação de mesclagem: 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

Verificação de concatenações

.concat(verify_integrity=False):

Verifica se o novo índice concatenado tem duplicatas
O valor padrão é False

Conjunto de dados do exemplo com .concat()

Nome da tabela: 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

Nome da tabela: 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

Verificação da concatenação: exemplo

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 que verificar a integridade e o que fazer

Por quê?

No mundo real, os dados muitas vezes NÃO estão limpos

O que fazer:

Corrigir dados incorretos
Eliminar linhas duplicadas

Vamos praticar!

Junção de dados com o pandas