Verifiera integritet

Joining Data with pandas

Aaren Stubberfield

Instructor

Låt oss kontrollera datan

Möjligt sammanslagningsproblem:

Två DataFrames sammanfogade horisontellt med ett en-till-många-förhållande

Oavsiktligt en-till-många-förhållande
Oavsiktligt många-till-många-förhållande

Möjligt konkatenatsproblem:

Två DataFrames vertikalt sammanfogade med en dubblettrad i den andra DataFramen

Dubblettposter möjligen oavsiktligt introducerade

Validera sammanslagningar

.merge(validate=None):

Kontrollerar om sammanslagningen är av angiven typ
'one_to_one'
'one_to_many'
'many_to_one'
'many_to_many'

Datamängd för exempel på sammanslagning

Tabellnamn: 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

Tabellnamn: specs

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

Validera sammanslagning: 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

Validera sammanslagning: 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

Verifiera konkatenationer

.concat(verify_integrity=False):

Kontrollerar om det nya sammanfogade indexet innehåller dubbletter
Standardvärdet är False

Datamängd för .concat()-exempel

Tabellnamn: 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

Tabellnamn: 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

Verifiera konkatenation: exempel

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

Varför verifiera integritet och vad man gör

Varför:

Verklig data är ofta INTE ren

Vad man gör:

Åtgärda felaktig data
Ta bort dublettrader

Nu kör vi en övning!

Joining Data with pandas