数据导入与预处理-第6章-01数据集成
数据导入与预处理-第6章-01数据集成
1 数据集成概述
1.1 数据集成需要关注的问题
数据集成期间的数据问题，包括：
实体识别 冗余属性识别 元组重复等
数据分析中需要的数据往往来自不同的途径，这些数据的格式、特点、质量千差万别，给数据分析或挖掘增加了难度。为提高数据分析的效率，多个数据源的数据需要合并到一个数据源，形成一致的数据存储，这一过程就是数据集成。
1.实体识别 实体识别指从不同数据源中识别出现实世界的实体，主要用于统一不同数据源的矛盾之处，常见的矛盾包括同名异义、异名同义、单位不统一等。 实体识别问题是数据集成中的首要问题，因为来自多个信息源的现实世界的等价实体才能匹配。例如，如何确定一个数据库中的“custom_id”与另一个数据库中的“custome_number”是否表示同一实体。 实体识别中的单位不统一也会带来问题。例如，重量属性在一个系统中采用公制，而在另一个系统中却采用英制；价格属性在不同地点采用不同的货币单位。这些语义的差异为数据集成带来许多问题。
2.冗余属性级相关分析识别 冗余属性是数据集成期间极易产生的问题，冗余是数据集成的另一重要问题。如果一个属性能由另一个或另一组属性值“推导”出，则这个属性可能是冗余的。属性命名不一致也会导致结果数据集中的冗余，属性命名会导致同一属性多次出现。例如，一个顾客数据表中的平均月收入属性就是冗余属性，显然它可以根据月收入属性计算出来。此外，属性命名的不一致也会导致集成后的数据集出现数据冗余问题。 有些冗余可以被相关分析检测到，对于标称属性，使用卡方检验,对于数值属性，可以使用相关系数（correlation coefficient）和 协方差( covariance）评估属性间的相关性。
协方差和相关系数检测：
import pandas as pd
import numpy as np
a=[47, 83, 81, 18, 72, 41, 50, 66, 47, 20, 96, 21, 16, 60, 37, 59, 22, 16, 32, 63]
b=[56, 96, 84, 21, 87, 67, 43, 64, 85, 67, 68, 64, 95, 58, 56, 75, 6, 11, 68, 63]
# 数组转置（T）
data = np.array([a,b]).T
dfab = pd.DataFrame(data,columns = ['A','B'])
# display(dfab)
print('属性A和B的协方差：',dfab.A.cov(dfab.B))
print('属性A和B的相关系数：',dfab.A.corr(dfab.B))
# 属性A和B的协方差： 310.2157894736842
# 属性A和B的相关系数： 0.49924871046524394如果数据成正比，那么相关系数为1：
import pandas as pd
import numpy as np
a=[47, 83, 81, 18, 72, 41, 50, 66, 47, 20, 96, 21, 16, 60, 37, 59, 22, 16, 32, 63]
b = []
for i in a:
tmp = i*2
b.append(tmp)
print(b)
# 数组转置（T）
data = np.array([a,b]).T
dfab = pd.DataFrame(data,columns = ['A','B'])
# display(dfab)
print('属性A和B的协方差：',dfab.A.cov(dfab.B))
print('属性A和B的相关系数：',dfab.A.corr(dfab.B))
# [94, 166, 162, 36, 144, 82, 100, 132, 94, 40, 192, 42, 32, 120, 74, 118, 44, 32, 64, 126]
# 属性A和B的协方差： 1217.7421052631578
# 属性A和B的相关系数： 1.03.元组重复 元组重复是数据集成期间另一个容易产生的数据冗余问题，这一问题主要是因为录入错误或未及时更新造成的。 数据集成之后可能需要经过数据清理，以便清除可能存在的实体识别、冗余属性识别和元组重复问题。pandas中有关数据集成的操作是合并数据，并为该操作提供了丰富的函数或方法。
2 基于Pandas实现数据集成
pandas中内置了许多能轻松地合并数据的函数与方法，通过这些函数与方法可以将Series类对象或DataFrame类对象进行符合各种逻辑关系的合并操作，合并后生成一个整合的Series或DataFrame类对象。基于这些方法实现主键合并数据、重叠合并数据和堆叠合并数据操作。 常用的合并数据的函数包括：
2.1 主键合并数据merge
主键合并数据类似于关系型数据库的连接操作，主要通过指定一个或多个键将两组数据进行连接，通常以两组数据中重复的列索引为合并键。
pd.merge(left, right, how='inner', on=None, left_on=None,
right_on=None, left_index=False, right_index=False, sort=False,
suffixes='_x', '_y', copy=True, indicator=False, validate=None)参数含义如下：
left，right：参与合并的Series或DataFrame类对象。 how：表示数据合并的方式，支持’inner’（默认值）、‘left’、‘right’、'outer’共4个取值。 on：表示left与right合并的键。 sort：表示按键对应一列的顺序对合并结果进行排序，默认为True。 how参数的取值‘inner’代表基于left与right的共有的键合并，类似于数据库的内连接操作；'left’代表基于left的键合并，类似于数据库的左外连接操作；'right’代表基于right的键合并，类似于数据库的右外连接操作；'outer’代表基于所有left与right的键合并，类似于数据库的全外连接操作。
观察上图可知，result是一个3行5列的表格数据，且保留了key列交集部分的数据。 观察上图可知，result是一个4行5列的表格数据，且保留了key列并集部分的数据，由于A、B两列只有3行数据，C、D两列有4行数据，合并后A、B两列没有数据的位置填充为NaN。
示例代码如下：
内连接的方式合并数据:
import pandas as pd
df_left = pd.DataFrame({'key':['K0','K1','K2'],
'A':['A0','A1','A2'],
'B':['B0','B1','B2']})
df_right = pd.DataFrame({'key':['K0','K1','K2','K3'],
'C':['C0','C1','C2','C3'],
'D':['D0','D1','D2','D3']})
# 以key为主键，采用内连接的方式合并数据
result = pd.merge(df_left, df_right, on='key')
result输出为：
左外连接的方式合并数据
# 以key为主键，采用左外连接的方式合并数据
result = pd.merge(df_left, df_right, on='key', how='left')
result输出为：
右外连接的方式合并数据:
# 以key为主键，采用右外连接的方式合并数据
result = pd.merge(df_left, df_right, on='key', how='right')
result输出为：
全外连接的方式合并数据:
# 以key为主键，采用全外连接的方式合并数据
result = pd.merge(df_left, df_right, on='key', how='outer')
result输出为：
在on参数中，也可以传入多个键：
df_left = pd.DataFrame({'k1':['K0','K1','K2'],
'k2':['A0','A1','A2'],
'B':['B0','B1','B2']})
df_left输出为：
df_right = pd.DataFrame({'k1':['K0','K1','K2','K3'],
'k2':['A0','A1','A2','A3'],
'D':['D0','D1','D2','D3']})
df_right输出为：
pd.merge(df_left,df_right,on=['k1','k2'], how='outer')输出为：
如果两个对象的列名不同，可以使用left_on，right_on分别指定：
df_left = pd.DataFrame({'k1':['K0','K1','K2'],
'A':['A0','A1','A2'],
'B':['B0','B1','B2']})
df_right = pd.DataFrame({'k2':['K0','K1','K2','K3'],
'C':['A0','A1','A2','A3'],
'D':['D0','D1','D2','D3']})
pd.merge(df_left,df_right,left_on=['k1'],right_on=['k2'], how='outer')输出为：
2.2 堆叠合并数据concat
堆叠合并数据类似于数据库中合并数据表的操作，主要沿着某个轴将多个对象进行拼接。
pandas.concat(objs, axis=0, join='outer', join_axes=None,
ignore_index=False, keys=None, levels=None, names=None,
verify_integrity=False, sort=None, copy=True)参数含义如下：
join：表示合并的方式，可以取值为’inner’或’outer’（默认值），其中’inner’表示内连接，即合并结果为多个对象重叠部分的索引及数据，没有数据的位置填充为NaN；'outer’表示外连接，即合并结果为多个对象各自的索引及数据，没有数据的位置填充为NaN。 ignore_index：是否忽略索引，可以取值为True或False（默认值）。若设为True，则会在清除结果对象的现有索引后生成一组新的索引。
axis轴的说明：
行合并：
观察上图可知，result对象由left与right上下拼接而成，其行索引与列索引为left与right的索引，由于left没有C、D 两个列索引，right没有A、B两个列索引，所以这两列中相应的位置上填充了NaN。
列合并：
观察上图可知，result对象由left与right左右拼接而成，由于left没有3这个行索引，所以这行相应的位置上填充了NaN。
示例代码如下：
import pandas as pd
df_left = pd.DataFrame({'key':['K0','K1','K2'],
'A':['A0','A1','A2'],
'B':['B0','B1','B2']})
df_right = pd.DataFrame({'key':['K0','K1','K2','K3'],
'C':['C0','C1','C2','C3'],
'D':['D0','D1','D2','D3']})
# 采用外连接方式，沿行方向合并数据
result = pd.concat([df_left, df_right], axis=0)
result输出为：
2.3 重叠合并数据combine_first
当两组数据的索引完全重合或部分重合，且数据中存在缺失值时，可以采用重叠合并的方式组合数据。重叠合并数据是一种并不常见的操作，它主要将一组数据的空值填充为另一组数据中对应位置的值。pandas中可使用combine_first()方法实现重叠合并数据的操作。
combine_first(other)参数含义如下：
other参数：表示填充空值的Series类或DataFrame类对象。
import numpy as np
from numpy import NAN
import pandas as pd
df_left = pd.DataFrame({'A': [np.nan, 'A1', 'A2', 'A3'],
'B': [np.nan, 'B1', np.nan, 'B3'],
'C': ['C0', 'C1', 'C2', 'C3']})
df_left输出为：
df_right = pd.DataFrame({'A': ['A1', 'A0','A2'],
'B': ['B1', 'B0','B2']}, index=[1,0,2])
df_right输出为：
# 采用重叠合并的方式组合数据
result = df_left.combine_first(df_right)
result输出为：
2.4 追加合并数据append
Pandas可以通过append实现纵向追加：
df1 = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
print(df1)
df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
print(df2)
# 纵向追加
df1.append(df2, ignore_index=True)输出如下：
Pandas可以通过append实现纵向追加，忽略索引：
# 忽略原来的索引ignore_index=True
df1.append(df2, ignore_index=True)输出为：
2.5 基于索引合并join
join函数如下：
DataFrame.join(self, other, on=None, how=“left”, lsuffix="", rsuffix="", sort=False)其中
other：DataFrame, Series, or list of DataFrame，另外一个dataframe, series，或者dataframe list。 on: 参与join的列，与sql中的on参数类似。 how: {‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘left’， 与sql中的join方式类似。 lsuffix: 左DataFrame中重复列的后缀 rsuffix: 右DataFrame中重复列的后缀 sort: 按字典序对结果在连接键上排序
join方式为按某个相同列进行join:
score_df = pd.DataFrame({'name': ['石申夫', '甘德', '乙', '甲'],
'age': [18, 28, 24, 36]})
score1_df = pd.DataFrame({'name': ['张衡', '石申夫', '乙', '甘德'],
'score': ['A', 'B', 'C', 'B']})
score_df.set_index('name', inplace=True) # 设置索引 可以尝试如果不设置会怎么样
score1_df.set_index('name', inplace=True) # 设置索引
score_df.join(score1_df, on='name')输出为：
两个dataframe在合并时候有相同的列名join操作：
score_df = pd.DataFrame({'name': ['石申夫', '甘德', '乙', '甲'],
'age': [18, 28, 24, 36]})
score1_df = pd.DataFrame({'name': ['张衡', '石申夫', '乙', '甘德'],
'score': ['A', 'B', 'C', 'B']})
# 两个dataframe在合并时候有相同的列名，需要使用属性lsuffix和rsuffix指定相同列名的后缀
score_df.join(score1_df,lsuffix='_l', rsuffix='_r') # 可以尝试不加看看输出为：
总结： pandas包中，进行数据合并有join()、merge()、concat(), append()四种方法。它们的区别是：
df.join() 相同行索引的数据被合并在一起，因此拼接后的行数不会增加(可能会减少)、列数增加； df.merge()通过指定的列索引进行合并，行列都有可能增加;merge也可以指定行索引进行合并； pd.concat()通过axis参数指定在水平还是垂直方向拼接； df.append()在DataFrame的末尾添加一行或多行；大致等价于pd.concat([df1,df2],axis=0,join=‘outer’)。
join 最简单，主要用于基于索引的横向合并拼接 merge 最常用，主要用于基于指定列的横向合并拼接 concat最强大，可用于横向和纵向合并拼接 append，主要用于纵向追加
3 思考题
给出多个excel，如何合并成一个excel中： 案例数据如下： https://download.csdn.net/download/m0_38139250/86751566
数据目录结构如下：
数据内容如下：
