Vinculando DataFrames

Limpeza de dados em Python

Adel Nehme

VP of AI Curriculum, DataCamp

Vinculação de registros

Nossos DataFrames

census_A

             given_name  surname date_of_birth         suburb state  address_1
rec_id                                                                
rec-1070-org   michaela  neumann      19151111  winston hills   nsw  stanley street 
rec-1016-org   courtney  painter      19161214      richlands   vic  pinkerton circuit 
...

census_B

               given_name  surname date_of_birth             suburb state  address_1
rec_id                                                                      
rec-561-dup-0       elton      NaN      19651013         windermere   vic  light setreet 
rec-2642-dup-0   mitchell    maxon      19390212         north ryde   nsw  edkins street 
...

O que já fizemos

# Importar recordlinkage e gerar todos os pares
import recordlinkage
indexer = recordlinkage.Index()
indexer.block('state')
full_pairs = indexer.index(census_A, census_B)


# Etapa de comparação
compare_cl = recordlinkage.Compare()
compare_cl.exact('date_of_birth', 'date_of_birth', label='date_of_birth')
compare_cl.exact('state', 'state', label='state')
compare_cl.string('surname', 'surname', threshold=0.85, label='surname')
compare_cl.string('address_1', 'address_1', threshold=0.85, label='address_1')


potential_matches = compare_cl.compute(full_pairs, census_A, census_B)

O que estamos fazendo agora

Nossas correspondências potenciais

potential_matches

Nossas correspondências potenciais

potential_matches

Nossas correspondências potenciais

potential_matches

Nossas correspondências potenciais

potential_matches

Correspondências prováveis

matches = potential_matches[potential_matches.sum(axis = 1) >= 3]
print(matches)

Correspondências prováveis

matches = potential_matches[potential_matches.sum(axis = 1) >= 3]
print(matches)

Obter os índices

matches.index

MultiIndex(levels=[['rec-1007-org', 'rec-1016-org', 'rec-1054-org', 'rec-1066-org', 
'rec-1070-org', 'rec-1075-org', 'rec-1080-org', 'rec-110-org', ...

# Obter índices apenas de census_B
duplicate_rows = matches.index.get_level_values(1)
print(census_B_index)

Index(['rec-2404-dup-0', 'rec-4178-dup-0', 'rec-1054-dup-0', 'rec-4663-dup-0',
       'rec-485-dup-0', 'rec-2950-dup-0', 'rec-1234-dup-0', ... , 'rec-299-dup-0'])

Vinculando DataFrames

# Encontrando duplicados em census_B
census_B_duplicates = census_B[census_B.index.isin(duplicate_rows)]


# Encontrando novas linhas em census_B
census_B_new = census_B[~census_B.index.isin(duplicate_rows)]

# Vincular os DataFrames!
full_census = pd.concat([census_A, census_B_new])

# Importar recordlinkage, gerar pares e comparar colunas
...
# Gerar correspondências potenciais
potential_matches = compare_cl.compute(full_pairs, census_A, census_B)


# Isolar linhas com 3+ valores que batem
matches = potential_matches[potential_matches.sum(axis = 1) >= 3]


# Obter o índice só das linhas de census_B
duplicate_rows = matches.index.get_level_values(1)


# Encontrando novas linhas em census_B
census_B_new = census_B[~census_B.index.isin(duplicate_rows)]


# Vincular os DataFrames!
full_census = pd.concat([census_A, census_B_new])

Vamos praticar!

Limpeza de dados em Python