Integriteit controleren

Data samenvoegen met pandas

Aaren Stubberfield

Instructor

Laten we onze data checken

Mogelijk merge-probleem:

Twee DataFrames horizontaal samengevoegd met een one-to-many-relatie

Onbedoelde one-to-many-relatie
Onbedoelde many-to-many-relatie

Mogelijk concat-probleem:

Twee DataFrames verticaal samengevoegd met een dubbele rij in de tweede DataFrame

Mogelijk per ongeluk dubbele records toegevoegd

Merges valideren

.merge(validate=None):

Checkt of de merge van het opgegeven type is
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Merge-dataset voor voorbeeld

Tabelnaam: 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

Tabelnaam: specs

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

Merge validate: 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

Merge validate: 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

Concats verifiëren

.concat(verify_integrity=False):

Controleert of de nieuwe samengevoegde index dubbelen bevat
Standaard is False

Dataset voor .concat()-voorbeeld

Tabelnaam: 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

Tabelnaam: 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

Concats verifiëren: voorbeeld

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

Waarom integriteit checken en wat te doen

Waarom:

Data uit de praktijk is vaak NIET schoon

Wat te doen:

Onjuiste data herstellen
Dubbele rijen verwijderen

Laten we oefenen!

Data samenvoegen met pandas