Capítulo 8.4

Índice

from datascience import *
path_data = '../../../assets/data/'
import matplotlib
matplotlib.use('Agg')
%matplotlib inline
import matplotlib.pyplot as plots
plots.style.use('fivethirtyeight')
import numpy as np

Unindo Tabelas por Colunas

Frequentemente, dados sobre os mesmos indivíduos são mantidos em mais de uma tabela. Por exemplo, um escritório universitário pode ter dados sobre o tempo de conclusão do curso de cada aluno, enquanto outro tem dados sobre a mensalidade e a ajuda financeira do aluno.

Para entender a experiência dos alunos, pode ser útil unir os dois conjuntos de dados. Se os dados estiverem em duas tabelas, cada uma com uma linha por aluno, então gostaríamos de juntar as colunas, garantindo que as linhas sejam correspondidas para que as informações de cada aluno permaneçam em uma única linha.

Vamos fazer isso no contexto de um exemplo simples e depois usar o método com um conjunto de dados maior.

A tabela cones é uma que encontramos anteriormente. Agora, suponha que cada sabor de sorvete tenha uma classificação que esteja em uma tabela separada.

cones = Table().with_columns(
    'Flavor', make_array('strawberry', 'vanilla', 'chocolate', 'strawberry', 'chocolate'),
    'Price', make_array(3.55, 4.75, 6.55, 5.25, 5.75)
)
cones

Flavor	Price
strawberry	3.55
vanilla	4.75
chocolate	6.55
strawberry	5.25
chocolate	5.75

ratings = Table().with_columns(
    'Kind', make_array('strawberry', 'chocolate', 'vanilla'),
    'Stars', make_array(2.5, 3.5, 4)
)
ratings

Kind	Stars
strawberry	2.5
chocolate	3.5
vanilla	4.0

Cada uma das tabelas tem uma coluna que contém os sabores de sorvete: cones tem a coluna Flavor, e ratings tem a coluna Kind. As entradas nessas colunas podem ser usadas para vincular as duas tabelas.

O método join cria uma nova tabela na qual cada cone na tabela cones é aumentado com as informações de Estrelas na tabela ratings. Para cada cone em cones, join encontra uma linha em ratings cujo Kind corresponde ao Flavor do cone. Temos que dizer ao join para usar essas colunas para fazer a correspondência.

rated = cones.join('Flavor', ratings, 'Kind')
rated

Flavor	Price	Stars
chocolate	6.55	3.5
chocolate	5.75	3.5
strawberry	3.55	2.5
strawberry	5.25	2.5
vanilla	4.75	4.0

Agora, cada cone possui não apenas seu preço, mas também a classificação de seu sabor.

Em geral, uma chamada para join que aumenta uma tabela (digamos table1) com informações de outra tabela (digamos table2) se parece com isso:

table1.join(table1_coluna_para_junção, tabela2, tabela2_coluna_para_junção)

A nova tabela rated nos permite calcular o preço por estrela, que você pode pensar como uma medida informal de valor. Valores baixos são bons – significam que você está pagando menos por cada estrela de classificação.

rated.with_column('$/Star', rated.column('Price') / rated.column('Stars')).sort(3)

Flavor	Price	Stars	$/Star
vanilla	4.75	4.0	1.1875
strawberry	3.55	2.5	1.42
chocolate	5.75	3.5	1.64286
chocolate	6.55	3.5	1.87143
strawberry	5.25	2.5	2.1

Embora o morango tenha a classificação mais baixa entre os três sabores, a casquinha de morango mais barata se sai bem nessa medida porque não custa muito por estrela.

Nota lateral. A ordem em que listamos as duas tabelas é importante? Vamos tentar. Como você vê, isso altera a ordem em que as colunas aparecem e pode potencialmente alterar a ordem das linhas, mas não faz nenhuma diferença fundamental.

ratings.join('Kind', cones, 'Flavor')

Kind	Stars	Price
chocolate	3.5	6.55
chocolate	3.5	5.75
strawberry	2.5	3.55
strawberry	2.5	5.25
vanilla	4.0	4.75

Observe também que a junção conterá apenas informações sobre os itens que aparecem em ambas as tabelas. Vejamos um exemplo. Suponha que haja uma tabela de avaliações de algumas casquinhas de sorvete e tenhamos encontrado a avaliação média para cada sabor.

reviews = Table().with_columns(
    'Flavor', make_array('vanilla', 'chocolate', 'vanilla', 'chocolate'),
    'Stars', make_array(5, 3, 5, 4)
)
reviews

Flavor	Stars
vanilla	5
chocolate	3
vanilla	5
chocolate	4

average_review = reviews.group('Flavor', np.average)
average_review

Flavor	Stars average
chocolate	3.5
vanilla	5.0

Podemos unir cones e average_review fornecendo os rótulos das colunas pelas quais unir.

cones.join('Flavor', average_review, 'Flavor')

Flavor	Price	Stars average
chocolate	6.55	3.5
chocolate	5.75	3.5
vanilla	4.75	5.0

Observe como as casquinhas de morango desapareceram. Nenhuma das avaliações é para casquinhas de morango, então não há nada ao qual as linhas de ‘strawberry’ possam ser unidas. Isso pode ser um problema, ou pode não ser – isso depende da análise estamos tentando atuar com a tabela unida.

← Capítulo 8.3 – Classificação Cruzada

Capítulo 8.5 – Compartilhamento de Bicicletas →