Effectuer une jointure sur l’index

Jusqu’à présent, vous avez fusionné des DataFrames en faisant correspondre des valeurs dans des colonnes ordinaires. Mais il arrive que les informations sur lesquelles vous souhaitez effectuer la correspondance soient stockées dans l’index du DataFrame plutôt que dans une colonne. Pandas prend en charge les join basés sur l’index avec DataFrame.join() ainsi qu’avec pd.merge() et les paramètres left_index=True ou right_index=True.

DataFrame.join(other) est une méthode pratique qui effectue par défaut un join sur l’index des deux DataFrames. Elle équivaut à un appel à pd.merge() avec left_index=True, right_index=True. Le type de join par défaut est 'left', contrairement à pd.merge(), dont la valeur par défaut est 'inner'. Les deux DataFrames doivent partager des libellés d’index pertinents pour que le join produise des résultats corrects.

Transmettez le paramètre how à join() pour contrôler les lignes conservées, comme avec pd.merge(). Les options sont 'left' (par défaut), 'right', 'inner' et 'outer'. Par exemple, how='inner' ne conserve que les index présents dans les deux DataFrames et supprime la ligne d’alice si elle ne possède aucun index correspondant dans la table de droite.

L’un des principaux avantages de join() par rapport à pd.merge() est qu’il accepte une liste de DataFrames et les joint tous au DataFrame appelant en un seul appel. Tous les DataFrames doivent être alignés sur leur index. C’est très pratique lorsque vous disposez de nombreuses tables de caractéristiques indexées par la même clé, telle qu’un identifiant utilisateur ou une date, et que vous souhaitez les réunir dans un DataFrame large.

pd.merge() vous permet de combiner une correspondance fondée sur une colonne et une correspondance fondée sur un index avec left_on/right_index ou left_index/right_on. C’est utile lorsqu’un DataFrame stocke la clé dans une colonne tandis que l’autre l’utilise comme index. Vous ne pouvez pas obtenir ce résultat avec join() seul.

Lorsque les deux DataFrames utilisent la clé comme index, employez pd.merge(left, right, left_index=True, right_index=True). Cela équivaut à join(), mais avec le type de jointure 'inner' par défaut et des paramètres plus explicites. Vous bénéficiez également de tous les autres paramètres de pd.merge(), comme suffixes et indicator.

Les jointures fondées sur l’index sont à privilégier lorsque vos DataFrames sont naturellement identifiés par un identifiant pertinent, tel qu’un identifiant utilisateur, un SKU de produit ou une date. Utiliser l’index pour les jointures évite d’encombrer votre DataFrame avec des colonnes de clés redondantes et peut accélérer les opérations, car Pandas conserve des structures d’index triées pour effectuer des recherches en O(log n). Elles sont particulièrement courantes dans les données de séries temporelles, où le DatetimeIndex constitue la clé de jointure naturelle.

Lorsque les deux DataFrames possèdent des colonnes portant le même nom (à l’exception de la clé), join() lève une ValueError par défaut, sauf si vous fournissez les paramètres lsuffix et rsuffix. Ces paramètres fonctionnent comme suffixes dans pd.merge() : ils ajoutent une chaîne aux noms des colonnes communes des DataFrames de gauche et de droite, respectivement.

Une méthode courante consiste à définir une colonne comme index avant la jointure afin de pouvoir utiliser la syntaxe de join(). Après la jointure, reset_index() rétablit la clé sous forme de colonne ordinaire. Ce schéma est intuitif : promouvoir la clé au rang d’index, effectuer la jointure, puis faire redevenir la clé une colonne, ce qui rend l’intention claire pour les personnes qui reliront votre code.

Une Series possède également un index, et vous pouvez l’ajouter comme nouvelle colonne à un DataFrame par affectation : Pandas aligne automatiquement les valeurs de la Series sur les libellés d’index correspondants. Il s’agit d’une forme légère de jointure fondée sur l’index, utile lorsque vous souhaitez ajouter une seule colonne provenant d’une Series sans appeler merge() ni join().

Effectuer une jointure sur un index trié est plus rapide que sur une colonne ordinaire, car Pandas utilise une recherche binaire dans l’index trié. Si vous effectuez régulièrement des jointures sur la même clé, définissez cette clé comme index dès le début de votre pipeline. C’est particulièrement important dans les traitements de séries temporelles, lorsque vous effectuez des milliers de jointures sur un DatetimeIndex réparti dans de nombreux fichiers.

Dans cette leçon, vous avez appris que DataFrame.join() effectue par défaut une jointure à gauche sur l’index ; que pd.merge() avec left_index=True/right_index=True offre davantage de contrôle ; que vous pouvez joindre plusieurs DataFrames en une seule fois en transmettant une liste à join() ; et qu’un index trié améliore les performances des jointures. Nous allons maintenant étudier la restructuration des DataFrames avec pivot_table.