Joins izquierdo y derecho

Las combinaciones internas y externas tratan ambos DataFrames de forma simétrica. Sin embargo, a menudo querrá conservar todos los registros de una tabla y enriquecerlos con datos de otra. Para eso existen las combinaciones izquierdas y las combinaciones derechas. Estas combinaciones asimétricas son muy habituales en análisis de datos: conservar todas las transacciones y añadir los nombres de producto cuando estén disponibles; conservar todos los usuarios y añadir la fecha de su última compra si tienen alguna.

Una combinación izquierda (how='left') conserva todas las filas del DataFrame izquierdo. En las filas que encuentran una clave coincidente en el DataFrame derecho, las columnas derechas se rellenan con los valores correspondientes. En las filas sin coincidencia, las columnas derechas se rellenan con NaN. El número de filas del resultado siempre es igual al del DataFrame izquierdo (siempre que no haya claves duplicadas).

Después de una combinación izquierda, las filas del DataFrame izquierdo que no encontraron una correspondencia en el derecho tendrán NaN en todas las columnas procedentes de la tabla derecha. Puede utilizar esto para identificar las filas no coincidentes mediante un filtro booleano sobre una columna de la tabla derecha y para contar cuántas filas izquierdas no tuvieron correspondencia, lo que constituye una comprobación útil de la calidad de los datos.

Las combinaciones izquierdas son apropiadas cuando su DataFrame izquierdo es la tabla principal y la tabla derecha es complementaria. Algunos casos habituales son enriquecer una tabla de hechos con una tabla de dimensiones (pedidos + nombres de productos), añadir metadatos opcionales (usuarios + datos de perfil) o calcular métricas para todos los registros aunque falle una búsqueda. En la mayoría del código de análisis, las combinaciones izquierdas son mucho más habituales que las derechas.

Una combinación derecha (how='right') es el reflejo de una combinación izquierda: conserva todas las filas del DataFrame derecho y rellena con NaN las columnas de la tabla izquierda cuando no existe una correspondencia. Las combinaciones derechas son menos habituales porque siempre puede obtener el mismo resultado intercambiando los argumentos de los DataFrames y usando una combinación izquierda, que resulta más clara para quienes leen el código.

Los cuatro tipos de combinación solo se diferencian en las filas del lado no coincidente que conservan. inner: solo filas coincidentes. outer: todas las filas de ambos lados. left: todas las filas izquierdas. right: todas las filas derechas. En las entradas sin coincidencia, las columnas del lado ausente se rellenan con NaN. Elegir correctamente es fundamental para evitar descartar o duplicar registros silenciosamente.

Después de una combinación izquierda, las filas no coincidentes tienen NaN en las columnas de la tabla derecha. A menudo querrá rellenar estos valores con valores predeterminados adecuados, como 'Unknown' para una categoría ausente o 0 para un recuento ausente. Use fillna() en el resultado o pase fill_value en las operaciones aritméticas posteriores a la combinación.

Un patrón útil que no admite directamente how es la anti-combinación: conservar únicamente las filas izquierdas que NO tienen correspondencia en la tabla derecha. Impleméntelo con una combinación izquierda usando indicator=True y, después, filtre por _merge == 'left_only'. Es perfecto para encontrar registros huérfanos, elementos nuevos que no aparecen en una lista de referencia o transacciones ausentes en un libro mayor.

Cuando el DataFrame derecho tiene claves únicas, una combinación izquierda garantiza conservar exactamente el número de filas de la tabla izquierda. Sin embargo, si la tabla derecha tiene valores de clave duplicados, la combinación izquierda multiplica las filas igual que una combinación interna. Compruebe siempre que el número de filas de salida coincide con el de la tabla izquierda cuando espere una relación de uno a varios.

Este es un flujo de trabajo completo de un caso real: comience con un registro de transacciones, haga una combinación izquierda con un catálogo de productos para obtener los nombres y, después, otra combinación izquierda con una tabla de clientes para obtener sus nombres. Rellene las búsquedas sin coincidencia con valores predeterminados. La cadena de combinaciones izquierdas garantiza que se conserve cada fila de transacción aunque falte el registro del producto o del cliente en las tablas de referencia.

La elección entre una combinación izquierda y una interna es una decisión de lógica de negocio: ¿debe conservar los registros que no tienen una correspondencia en la búsqueda o descartarlos silenciosamente? Use una combinación izquierda cuando las búsquedas sin coincidencia sean aceptables y quiera conservar todos los registros principales. Use una combinación interna cuando una búsqueda sin coincidencia indique que el registro no es válido y deba excluirse del análisis. Documente siempre cuál eligió y por qué.

Compruebe lo que ha aprendido sobre las combinaciones izquierdas y derechas en esta lección.

En esta lección ha aprendido que la combinación izquierda conserva todas las filas del DataFrame izquierdo y rellena con NaN las columnas derechas cuando no hay coincidencia; la combinación derecha es su reflejo; el patrón de anti-combinación con indicator=True encuentra las filas izquierdas sin correspondencia derecha; y la elección entre una combinación izquierda y una interna es una decisión de lógica de negocio. A continuación, exploraremos cómo combinar DataFrames mediante su índice en lugar de una columna.