Перевірка цілісності

Об'єднання даних у pandas

Aaren Stubberfield

Instructor

Перевіримо наші дані

Можлива проблема під час об'єднання:

Два датафрейми об'єднані горизонтально з відношенням «один-до-багатьох»

Ненавмисне відношення «один-до-багатьох»
Ненавмисне відношення «багато-до-багатьох»

Можлива проблема під час конкатенації:

Два датафрейми з'єднані вертикально, у другому датафреймі є дубльований рядок

Можливо ненавмисно додано дублікати записів

Валідація об'єднань

.merge(validate=None):

Перевіряє, чи об'єднання має вказаний тип
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Набір даних для прикладу об'єднання

Назва таблиці: 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

Назва таблиці: specs

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

Перевірка об'єднання: 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

Перевірка об'єднання: 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

Перевірка конкатенації

.concat(verify_integrity=False):

Перевіряє, чи новий індекс після конкатенації містить дублікати
Типове значення — False

Набір даних для прикладу .concat()

Назва таблиці: 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

Назва таблиці: 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

Перевірка конкатенації: приклад

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

Навіщо перевіряти цілісність і що робити

Навіщо:

Дані з реального світу часто НЕ чисті

Що робити:

Виправляти помилки в даних
Видаляти дублікати рядків

Давайте потренуємось!

Об'єднання даних у pandas