Filtrerande joins

Joining Data with pandas

Aaren Stubberfield

Instructor

Muterande kontra filtrerande joins

Muterande joins:

Kombinerar data från två tabeller baserat på matchande observationer i båda tabellerna

Filtrerande joins:

Filtrerar observationer från en tabell baserat på om de matchar en observation i en annan tabell

Vad är en semi join?

Tabelldiagram över semi join där resultaten kommer från snittet

Semi joins

Returnerar snittet, liknande en inner join
Returnerar bara kolumner från den vänstra tabellen och inte den högra
Inga dubbletter

Musikdatamängd

Bild på telefon med hörlurar

SQLite-självstudiesbild

¹ Foto av Vlad Bagacian från Pexels

Exempeldatamängder

  gid  name           
0 1    Rock           
1 2    Jazz           
2 3    Metal          
3 4    Alternative ...
4 5    Rock And Roll

  tid  name             aid  mtid  gid  composer         u_price
0 1    For Those Ab...  1    1     1    Angus Young,...  0.99   
1 2    Balls to the...  2    2     1    nan              0.99   
2 3    Fast As a Shark  3    2     1    F. Baltes, S...  0.99   
3 4    Restless and...  3    2     1    F. Baltes, R...  0.99   
4 5    Princess of ...  3    2     1    Deaffy & R.A...  0.99

Steg 1 – semi join

genres_tracks = genres.merge(top_tracks, on='gid')
print(genres_tracks.head())

  gid  name_x  tid   name_y           aid  mtid  composer         u_price
0 1    Rock    2260  Don't Stop M...  185  1     Mercury, Fre...  0.99   
1 1    Rock    2933  Mysterious Ways  232  1     U2               0.99   
2 1    Rock    2618  Speed Of Light   212  1     Billy Duffy/...  0.99   
3 1    Rock    2998  When Love Co...  237  1     Bono/Clayton...  0.99   
4 1    Rock    685   Who'll Stop ...  54   1     J. C. Fogerty    0.99

Steg 2 – semi join

genres['gid'].isin(genres_tracks['gid'])

Bild av 2 kolumner med gid som matchas

Steg 2 – semi join

genres['gid'].isin(genres_tracks['gid'])

0     True
1     True
2     True
3     True
4    False
Name: gid, dtype: bool

Steg 3 – semi join

genres_tracks = genres.merge(top_tracks, on='gid')
top_genres = genres[genres['gid'].isin(genres_tracks['gid'])]
print(top_genres.head())

  gid  name           
0 1    Rock           
1 2    Jazz           
2 3    Metal          
3 4    Alternative & Punk
4 6    Blues

Vad är en anti join?

Tabelldiagram över anti join där resultaten kommer från vänstra tabellen minus snittet

Anti join:

Returnerar den vänstra tabellen exklusive snittet
Returnerar bara kolumner från den vänstra tabellen och inte den högra

Steg 1 – anti join

genres_tracks = genres.merge(top_tracks, on='gid', how='left', indicator=True)
print(genres_tracks.head())

  gid  name_x           tid     name_y           aid    mtid  composer         u_price  _merge   
0 1    Rock             2260.0  Don't Stop M...  185.0  1.0   Mercury, Fre...  0.99     both  
1 1    Rock             2933.0  Mysterious Ways  232.0  1.0   U2               0.99     both  
2 1    Rock             2618.0  Speed Of Light   212.0  1.0   Billy Duffy/...  0.99     both  
3 1    Rock             2998.0  When Love Co...  237.0  1.0   Bono/Clayton...  0.99     both 
4 5    Rock And Roll    NaN     NaN              NaN    NaN   NaN              NaN      left_only

Steg 2 – anti join

gid_list = genres_tracks.loc[genres_tracks['_merge'] == 'left_only', 'gid']
print(gid_list.head())

23     5
34     9
36    11
37    12
38    13
Name: gid, dtype: int64

Steg 3 – anti join

genres_tracks = genres.merge(top_tracks, on='gid', how='left', indicator=True)
gid_list = genres_tracks.loc[genres_tracks['_merge'] == 'left_only','gid']
non_top_genres = genres[genres['gid'].isin(gid_list)]

print(non_top_genres.head())

  gid  name          
0 5    Rock And Roll 
1 9    Pop           
2 11   Bossa Nova    
3 12   Easy Listening
4 13   Heavy Metal

Nu kör vi en övning!

Joining Data with pandas