merge: la clave común

import pandas as pd

precios = pd.DataFrame({"sku": ["A1", "A2", "A3"],
                        "precio": [10.0, 20.0, 30.0]})
stock = pd.DataFrame({"sku": ["A3", "A1", "A9"],
                      "unidades": [5, 7, 2]})

print("precios:")
print(precios.to_string(index=False))
print()
print("stock:")
print(stock.to_string(index=False))

print()
print('merge(on="sku") -> por defecto how="inner":')
print(precios.merge(stock, on="sku").to_string(index=False))

print()
print("A2 no esta en stock y A9 no esta en precios: los dos se caen.")
print("El resultado tiene 2 filas, menos que cualquiera de las dos tablas,")
print("y ese es el unico aviso que vas a recibir.")

import pandas as pd


def unico(nombre):
    """Cada catalogo trae SKU repetidos: se deduplica por recencia primero."""
    t = pd.read_csv(nombre)
    return (t.sort_values("actualizado", kind="stable")
            .drop_duplicates(subset=["sku"], keep="last"))


a = unico("catalogo_sistema_a.csv")
b = unico("catalogo_sistema_b.csv")
print("catalogo A:", len(a), "productos")
print("catalogo B:", len(b), "productos")

inner = a.merge(b, on="sku", how="inner", suffixes=("_a", "_b"))
print()
print("inner       :", len(inner), "filas")
print("se pierden de A:", len(a) - len(inner))
print("se pierden de B:", len(b) - len(inner))

print()
print(inner[["sku", "precio_a", "precio_b"]].head(4).to_string(index=False))

print()
print("24 productos desaparecieron y el programa no dijo nada.")
print("Si el informe se hace sobre este resultado, esos 24 no existen.")

import pandas as pd


def unico(nombre):
    t = pd.read_csv(nombre)
    return (t.sort_values("actualizado", kind="stable")
            .drop_duplicates(subset=["sku"], keep="last"))


a = unico("catalogo_sistema_a.csv")
b = unico("catalogo_sistema_b.csv")

izquierda = a.merge(b, on="sku", how="left", suffixes=("_a", "_b"))
print("left:", len(izquierda), "filas  (las mismas que A)")
print("sin pareja en B:", int(izquierda["precio_b"].isna().sum()))

print()
print(izquierda.loc[izquierda["precio_b"].isna(),
                    ["sku", "precio_a", "precio_b"]].head(4).to_string(index=False))

print()
print("Los NaN de precio_b NO estaban en ningun archivo: los invento el merge")
print("para las filas que no encontraron pareja. Distinguirlos de un ausente")
print("de verdad es imposible mirando el resultado, y por eso conviene")
print("marcarlos en el momento con indicator=True (leccion 6.3).")

import pandas as pd

inscripciones = pd.read_csv("academico_inscripciones.csv")
estudiantes = pd.read_csv("academico_estudiantes.csv")

print("inscripciones:", list(inscripciones.columns))
print("estudiantes  :", list(estudiantes.columns))
print()
print("La misma cosa se llama estudiante_id en una tabla e id en la otra.")
print("Es lo normal: cada tabla nombra su clave como le queda mejor.")

cruce = inscripciones.merge(estudiantes, left_on="estudiante_id",
                            right_on="id", how="left")
print()
print("merge(left_on='estudiante_id', right_on='id'):", len(cruce), "filas")
print(cruce[["estudiante_id", "id", "legajo", "nombre", "curso_id", "nota"]]
      .head(3).to_string(index=False))

print()
print("Quedaron las DOS columnas de clave, con el mismo contenido.")
print("Conviene sacar una: cruce.drop(columns='id').")

print()
sin_pareja = int(cruce["legajo"].isna().sum())
print("inscripciones sin estudiante en el padron:", sin_pareja)
print("Con how='left' esas filas se conservan, con el legajo vacio.")
print("Con how='inner' habrian desaparecido sin dejar rastro.")

import pandas as pd

a = pd.read_csv("catalogo_sistema_a.csv")
b = pd.read_csv("catalogo_sistema_b.csv")

print("A:", len(a), "filas |", a["sku"].nunique(), "sku distintos")
print("B:", len(b), "filas |", b["sku"].nunique(), "sku distintos")
print("sku repetidos en A:",
      sorted(a.loc[a["sku"].duplicated(keep=False), "sku"].unique()))
print("sku repetidos en B:",
      sorted(b.loc[b["sku"].duplicated(keep=False), "sku"].unique()))

sin_limpiar = a.merge(b, on="sku", how="inner", suffixes=("_a", "_b"))
print()
print("inner SIN deduplicar:", len(sin_limpiar), "filas")


def unico(t):
    return (t.sort_values("actualizado", kind="stable")
            .drop_duplicates(subset=["sku"], keep="last"))


limpio = unico(a).merge(unico(b), on="sku", how="inner", suffixes=("_a", "_b"))
print("inner deduplicando :", len(limpio), "filas")

print()
print("Una fila de diferencia, y viene de SKU020, que esta dos veces en B.")
print(sin_limpiar.loc[sin_limpiar["sku"] == "SKU020",
                      ["sku", "precio_a", "precio_b"]].to_string(index=False))

print()
print("Un merge puede devolver MAS filas que cualquiera de sus entradas.")
print("Si la clave no es unica en las dos tablas, cada par se cruza con cada")
print("par. Con dos duplicados no se nota; con veinte, el archivo explota.")