Weryfikacja integralności

Łączenie danych z pandas

Aaren Stubberfield

Instructor

Sprawdzanie danych

Możliwy problem przy scalaniu:

Dwa DataFrame połączone poziomo w relacji jeden-do-wielu

Niezamierzona relacja jeden-do-wielu
Niezamierzona relacja wiele-do-wielu

Możliwy problem przy konkatenacji:

Dwa DataFrame połączone pionowo z duplikatem wiersza w drugim DataFrame

Możliwe niezamierzone wprowadzenie duplikatów rekordów

Walidacja scaleń

.merge(validate=None):

Sprawdza, czy scalanie jest określonego typu
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Zbiór danych do przykładu scalania

Nazwa tabeli: 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

Nazwa tabeli: specs

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

Walidacja scalania: 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

Walidacja scalania: 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

Weryfikacja konkatenacji

.concat(verify_integrity=False):

Sprawdza, czy nowy indeks po konkatenacji zawiera duplikaty
Domyślna wartość: False

Zbiór danych do przykładu .concat()

Nazwa tabeli: 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

Nazwa tabeli: 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

Weryfikacja konkatenacji: przykład

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

Po co weryfikować integralność i co z tym zrobić

Dlaczego:

Dane z rzeczywistego świata często NIE są czyste

Co zrobić:

Poprawić błędne dane
Usunąć zduplikowane wiersze

Czas na ćwiczenia!

Łączenie danych z pandas