Verificarea integrității

Îmbinarea datelor cu pandas

Aaren Stubberfield

Instructor

Să verificăm datele

Problemă posibilă la îmbinare:

Două DataFrame-uri alăturate orizontal cu o relație one-to-many

Relație one-to-many neintențională
Relație many-to-many neintențională

Problemă posibilă la concatenare:

Două DataFrame-uri unite vertical cu un rând duplicat în al doilea DataFrame

Înregistrări duplicate introduse posibil neintențional

Validarea îmbinărilor

.merge(validate=None):

Verifică dacă îmbinarea este de tipul specificat
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Set de date pentru exemplul de îmbinare

Tabel: 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

Tabel: specs

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

Validare merge: 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

Validare merge: 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

Verificarea concatenărilor

.concat(verify_integrity=False):

Verifică dacă noul index conținut conține duplicate
Valoarea implicită este False

Set de date pentru exemplul .concat()

Tabel: 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

Tabel: 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

Verificarea concatenării: exemplu

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

De ce să verificăm integritatea și ce facem

De ce:

Datele reale sunt adesea NECURATE

Ce se poate face:

Corectarea datelor incorecte
Eliminarea rândurilor duplicate

Să exersăm!

Îmbinarea datelor cu pandas