Vänster- och högerjoin

Inner- och outer-joins behandlar båda DataFrames symmetriskt. Ofta vill du dock bevara alla poster från en tabell och berika dem med data från en annan. Det är här left joins och right joins kommer in. Dessa asymmetriska joins är mycket vanliga inom analys: behåll alla transaktioner och lägg till produktnamn där de finns; behåll alla användare och lägg till datumet för deras senaste köp om de har gjort något köp.

En left join (how='left') behåller varje rad från den vänstra DataFrame:n. För rader som hittar en matchande nyckel i den högra DataFrame:n fylls de högra kolumnerna med de matchande värdena. För rader utan matchning fylls de högra kolumnerna med NaN. Resultatets radantal är alltid samma som radantalet i den vänstra DataFrame:n (förutsatt att det inte finns några dubbletta nycklar).

Efter en left join innehåller rader från den vänstra DataFrame:n som inte hittade någon matchning i den högra NaN i varje kolumn som kommer från den högra tabellen. Du kan använda detta för att identifiera omatchade rader med ett booleskt filter på en kolumn från den högra tabellen och räkna hur många vänstra rader som saknade matchning — en användbar kontroll av datakvaliteten.

Left-joins passar när din vänstra DataFrame är huvudtabellen och den högra tabellen innehåller kompletterande data. Vanliga scenarier är att berika en faktatabell med en dimensionstabell (orders + produktnamn), lägga till valfria metadata (användare + profildata) eller beräkna mått för alla poster även när en uppslagning misslyckas. I de flesta analysprogram är left-joins betydligt vanligare än right-joins.

En right join (how='right') är spegelbilden av en left join: den behåller varje rad från den högra DataFrame:n och fyller kolumner från den vänstra tabellen med NaN där det saknas en matchning. En right join är mindre vanlig eftersom du alltid kan uppnå samma resultat genom att byta plats på DataFrame-argumenten och använda en left join i stället, vilket är tydligare för läsaren.

De fyra join-typerna skiljer sig endast åt genom vilka rader från den omatchade sidan som bevaras. inner: endast matchande rader. outer: alla rader från båda sidor. left: alla vänstra rader. right: alla högra rader. För omatchade poster fylls kolumner från den sida som saknas med NaN. Det är avgörande att välja rätt typ för att undvika att poster tyst tas bort eller dupliceras.

Efter en left join innehåller omatchade rader NaN i kolumnerna från den högra tabellen. Ofta vill du ersätta dessa med rimliga standardvärden — till exempel 'Unknown' för en saknad kategori eller 0 för ett saknat antal. Använd fillna() på resultatet eller skicka med fill_value i de aritmetiska operationer som följer efter joinen.

Ett användbart mönster som inte stöds direkt av how är en anti-join: behåll endast vänstra rader som INTE har någon matchning i den högra tabellen. Implementera detta med en left join och indicator=True, och filtrera sedan på _merge == 'left_only'. Detta passar perfekt för att hitta övergivna poster, nya objekt som inte finns i en referenslista eller transaktioner som saknas i en redovisning.

När den högra DataFrame:n har unika nycklar är det garanterat att en left join bevarar exakt samma radantal som den vänstra tabellen. Om den högra tabellen däremot har dubbletta nyckelvärden multiplicerar left joinen rader på samma sätt som en inner join. Kontrollera alltid att resultatets radantal överensstämmer med den vänstra tabellens när du förväntar dig en en-till-många-relation.

Här är ett komplett praktiskt arbetsflöde: börja med en transaktionslogg, gör en left join med en produktkatalog för att hämta namn och gör sedan en left join med en kundtabell för att hämta namn. Ersätt saknade uppslagningar med standardvärden. Kedjan av left-joins säkerställer att varje transaktionsrad bevaras även om produkt- eller kundposten saknas i referenstabellerna.

Valet mellan left och inner join är ett beslut om verksamhetslogik: ska du behålla poster som saknar en uppslagsmatchning eller ta bort dem utan meddelande? Använd left join när saknade uppslagningar är acceptabla och du vill behålla alla primära poster. Använd inner join när en saknad uppslagning innebär att posten är ogiltig och ska uteslutas från analysen. Dokumentera alltid vad du valde och varför.

I den här lektionen lärde du dig att left join bevarar alla rader från den vänstra DataFrame:n och fyller de högra kolumnerna med NaN för rader utan matchning; right join är spegelbilden; anti-join-mönstret med indicator=True hittar vänstra rader utan matchning i högerledet; och valet mellan left och inner join är ett beslut om verksamhetslogik. Härnäst utforskar vi hur du sammanfogar DataFrames på deras index i stället för på en kolumn.