Überprüfung der Integrität

Daten mit pandas verknüpfen

Aaren Stubberfield

Instructor

Ein prüfender Blick auf unsere Daten

Mögliches Problem beim Verknüpfen:

Zwei DataFrames, die horizontal mit einer 1:n-Beziehung verknüpft wurden

Unbeabsichtigte 1:n-Beziehung
Unbeabsichtigte n:m-Beziehung

Mögliches Problem beim Verketten:

Zwei DataFrames, die vertikal verknüpft sind und im zweiten DataFrame Duplikate

Versehentlich doppelte Datensätze erzeugt

Verknüpfungen validieren

.merge(validate=None):

Prüft, ob korrekte Art der Verknüpfung vorliegt
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Beispiel: Datensatz verknüpfen

Tabellenname: 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

Tabellenname: specs

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

Verknüpfung validieren: one_to_one (1:1)

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

Verknüpfung validieren: one_to_many (1:n)

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

Verkettungen verifizieren

.concat(verify_integrity=False):

Überprüft, ob neu verketteter Index doppelte Einträge hat
Standardwert ist False

Beispiel: .concat()

Tabellenname: 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

Tabellenname: 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

Beispiel: Verkettung überprüfen

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

Integrität überprüfen: warum und was genau?

Warum:

Daten aus der echten Welt sind oft NICHT sauber

Was:

Falsche Daten korrigieren
Doppelte Zeilen löschen

Lass uns üben!

Daten mit pandas verknüpfen