Ověření integrity

Joining Data with pandas

Aaren Stubberfield

Instructor

Zkontrolujme naše data

Možný problém při spojování:

Dva DataFrame spojené horizontálně ve vztahu one-to-many

Neúmyslný vztah one-to-many
Neúmyslný vztah many-to-many

Možný problém při konkatenaci:

Dva DataFrame spojené vertikálně s duplicitním řádkem ve druhém DataFrame

Duplicitní záznamy mohly být vloženy neúmyslně

Validace spojení

.merge(validate=None):

Ověří, zda je spojení zadaného typu
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Dataset pro příklad spojení

Název tabulky: 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

Název tabulky: specs

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

Validace spojení: 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

Validace spojení: 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

Ověření konkatenace

.concat(verify_integrity=False):

Zkontroluje, zda nový index obsahuje duplicity
Výchozí hodnota je False

Dataset pro příklad .concat()

Název tabulky: 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

Název tabulky: 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

Ověření konkatenace: příklad

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

Proč ověřovat integritu a co s tím

Proč:

Reálná data jsou ČASTO neúplná nebo chybná

Co dělat:

Opravit nesprávná data
Odstranit duplicitní řádky

Pojďme si procvičit!

Joining Data with pandas