Indice / Practicas / EJ-4.5

EJ-4.5 · Indice compuesto y clave duplicada

¿Qué identifica una fila de esta tabla? No es el estudiante, y no es el curso. Descubrirlo - y comprobar si los datos lo respetan - es todo el ejercicio.

Qué hay que hacer

A partir de academico_inscripciones.csv, producir dos archivos:

• inscripciones_indexadas.csv - las 110 filas ordenadas por la clave, con una bandera que marca las que están en conflicto.
• clave_duplicada.csv - un informe de tres filas que dice, para tres candidatos a clave, si identifican una fila sin repetir.

Las tres preguntas del informe

El informe evalúa tres candidatos a clave. Antes de escribir código, respondelas vos:

1. ¿estudiante_id identifica una fila? - hay 43 estudiantes y 110 filas.
2. ¿curso_id? - hay 9 cursos.
3. ¿El par (estudiante_id, curso_id)? - esta es la interesante, y la respuesta no es un sí limpio.

Los tres dan es_unica = 0. Pero los tres 0 significan cosas muy distintas, y esa es la idea que vale más que el archivo.

Cómo saber si te salió

python comparar.py mi_tabla.csv inscripciones_indexadas.csv
python comparar.py mi_informe.csv clave_duplicada.csv

Antes de arrancar, mirá los datos

El contrato de salida

inscripciones_indexadas.csv · 110 filas

Orden de las filas: estudiante_id ASC, curso_id ASC, fila_origen ASC. El par no es unico, asi que fila_origen es lo que hace total al orden. Indice: no se escribe: to_csv(index=False)

clave_duplicada.csv · 3 filas

Orden de las filas: columna ascendente, alfabeticamente. Es unica en este archivo. Indice: no se escribe: to_csv(index=False)

Que hacer con cada defecto

Conteos clave

Si estos numeros no te dan, algo se desvio antes de que llegues a comparar los archivos.

Invariantes

Comprobaciones que tu resultado tiene que cumplir. Corrilas vos mismo antes de comparar los archivos:

len(tabla) == 110
tabla['fila_origen'].is_unique
int(tabla['clave_repetida'].sum()) == 2
len(informe) == 3
int(informe['es_unica'].sum()) == 0
informe.loc[informe['columna'] == 'estudiante_id+curso_id', 'valores_distintos'].item() == 109
informe.loc[informe['columna'] == 'estudiante_id+curso_id', 'filas_repetidas'].item() == 2
(informe['filas'] == 110).all()

Así tiene que quedar