Unir por el índice

Hasta ahora ha combinado DataFrames haciendo coincidir valores de columnas normales. Sin embargo, a veces la información que desea usar para hacer la correspondencia se almacena en el índice del DataFrame y no en una columna. Pandas admite combinaciones basadas en índices mediante DataFrame.join() y mediante pd.merge() con los parámetros left_index=True o right_index=True.

DataFrame.join(other) es un método auxiliar que, de forma predeterminada, combina mediante el índice de ambos DataFrames. Equivale a una llamada a pd.merge() con left_index=True, right_index=True. El tipo de combinación predeterminado es 'left', a diferencia de pd.merge(), cuyo valor predeterminado es 'inner'. Ambos DataFrames deben compartir etiquetas de índice significativas para que la combinación produzca resultados correctos.

Pase el parámetro how a join() para controlar qué filas se conservan, igual que con pd.merge(). Las opciones son 'left' (predeterminada), 'right', 'inner' y 'outer'. Por ejemplo, how='inner' conserva únicamente los índices que aparecen en ambos DataFrames y descarta la fila de alice si no tuviera un índice coincidente en la tabla derecha.

Una ventaja importante de join() frente a pd.merge() es que acepta una lista de DataFrames y los combina todos con el objeto que realiza la llamada en una sola operación. Todos los DataFrames deben estar alineados por índice. Esto resulta muy práctico cuando tiene muchas tablas de características indexadas por la misma clave, como el identificador de usuario o la fecha, y desea ensamblarlas en un único DataFrame ancho.

pd.merge() permite combinar coincidencias basadas en columnas y en índices mediante left_on/right_index o left_index/right_on. Esto resulta útil cuando un DataFrame almacena la clave en una columna, pero el otro la utiliza como índice. No puede conseguirlo usando únicamente join().

Cuando ambos DataFrames tienen la clave como índice, utilice pd.merge(left, right, left_index=True, right_index=True). Esto equivale a join(), pero con el tipo de unión predeterminado 'inner' y parámetros más explícitos. También obtiene acceso a todos los demás parámetros de pd.merge(), como suffixes e indicator.

Las uniones basadas en índices son preferibles cuando sus DataFrames tienen de forma natural una clave identificada por un valor significativo, como el ID de un usuario, el SKU de un producto o una fecha. Utilizar el índice para las uniones evita llenar el DataFrame de columnas de clave redundantes y puede ser más rápido, ya que Pandas mantiene estructuras de índices ordenadas para realizar búsquedas en O(log n). Son especialmente habituales en datos de series temporales, donde el DatetimeIndex es la clave natural de unión.

Cuando ambos DataFrames tienen columnas con el mismo nombre (excepto la clave), join() genera un ValueError de forma predeterminada, a menos que proporcione los parámetros lsuffix y rsuffix. Estos parámetros funcionan como suffixes en pd.merge(): añaden una cadena al nombre de las columnas coincidentes de los DataFrames izquierdo y derecho, respectivamente.

Un flujo de trabajo habitual consiste en establecer una columna como índice antes de realizar la unión, para poder utilizar la sintaxis de join(). Después de la unión, reset_index() devuelve la clave como una columna normal. Este patrón resulta natural: convertir la clave en índice, unir y volver a convertirla en una columna, lo que deja clara la intención para quienes lean su código posteriormente.

Una Series también tiene un índice, y puede añadirla como una columna nueva a un DataFrame mediante una asignación; Pandas alinea automáticamente los valores de la Series con las etiquetas de índice coincidentes. Se trata de una forma ligera de unión basada en índices, útil cuando desea añadir una sola columna de una Series sin llamar a merge() ni a join().

Unir mediante un índice ordenado es más rápido que hacerlo mediante una columna normal, porque Pandas utiliza una búsqueda binaria en el índice ordenado. Si va a unir repetidamente por la misma clave, establezca esa clave como índice una sola vez al principio de su flujo de trabajo. Esto es especialmente importante en flujos de trabajo de series temporales, donde se une mediante un DatetimeIndex miles de veces a través de numerosos archivos.

Compruebe cuánto ha entendido de las uniones basadas en índices de esta lección.

En esta lección ha aprendido lo siguiente: DataFrame.join() une por el índice de forma predeterminada mediante una unión izquierda; pd.merge() con left_index=True/right_index=True ofrece más control; puede unir varios DataFrames a la vez pasando una lista a join(); y utilizar un índice ordenado mejora el rendimiento de las uniones. A continuación, exploraremos cómo cambiar la forma de los DataFrames con pivot_table.