Nivel 1 · Añade nombres de producto a las líneas de pedido

Por qué las tablas están separadas

order_items guarda un product_id en cada línea en lugar del nombre, la categoría y el precio del producto. Es a propósito: los detalles del producto viven en un solo sitio, products, así que renombrar un producto significa cambiar una fila, no 30.000. El coste es que tienes que unir las tablas de nuevo (hacer un join) cuando necesitas ambas.

merge

order_items.merge(products, on="product_id")

Para cada línea de pedido, pandas busca la fila de producto con el mismo product_id y pone sus columnas una al lado de otra. La columna por la que emparejas es la clave. Si la clave se llama distinto en las dos tablas, usa left_on= y right_on=. Por ejemplo, el manager_id de cada empleado apunta al employee_id de otro empleado, así que esto pone a cada empleado junto a los datos de su jefe:

employees.merge(employees, left_on="manager_id", right_on="employee_id", suffixes=("", "_manager"))

Eso da 59 filas, no 60: el CEO no tiene jefe, así que el merge inner deja fuera esa fila.

El argumento how= decide qué pasa con las filas sin pareja:

how	conserva
"inner" (por defecto)	solo las filas con pareja en ambas tablas
"left"	todas las filas de la tabla izquierda; NaN donde la derecha no tiene pareja
"right"	todas las filas de la tabla derecha
"outer"	todo de ambas

Aquí cada línea de pedido tiene un producto válido, así que inner y left dan el mismo resultado. Escribe how= de forma explícita de todos modos; le dice al lector que lo pensaste.

Nombres de columna repetidos

Ambas tablas tienen una columna unit_price, y significan cosas distintas: el precio pagado en la línea frente al precio de lista de hoy. pandas conserva las dos y añade suffixes, unit_price_x y unit_price_y. Esos nombres son fáciles de confundir, así que pon los tuyos:

order_items.merge(products, on="product_id", suffixes=("_paid", "_list"))

O selecciona solo las columnas que necesitas de la tabla derecha antes de unir, lo que además mantiene el resultado estrecho:

order_items.merge(products[["product_id", "name", "category"]], on="product_id")

Comprueba el número de filas

El hábito más útil con los merges: comparar el número de filas antes y después.

len(order_items)                                   # lines before
len(order_items.merge(products, on="product_id"))  # should be the same

Cada línea tiene exactamente un producto, así que el número no debe cambiar. Si creció, la tabla derecha tenía claves duplicadas y algunas líneas se copiaron. Si se redujo, algunas líneas no tenían pareja y un join inner las descartó. Verás ambos problemas más adelante en este capítulo.

pandas puede comprobarlo por ti. validate="many_to_one" dice “muchas líneas pueden compartir un producto, pero cada producto aparece una vez en products”, y lanza un error si no es así:

order_items.merge(products, on="product_id", how="inner", validate="many_to_one")

Otras opciones son "one_to_one" y "one_to_many". Añadir validate no cuesta nada y convierte un error silencioso en uno ruidoso.

Errores comunes

• Hacer merge sin on=. pandas entonces une por todas las columnas con el mismo nombre en ambas tablas, aquí product_id y unit_price, y la mayoría de las líneas no encuentran pareja porque los precios cambiaron.
• Usar unit_price_x más tarde sin recordar de qué tabla venía.
• No comprobar el número de filas después de un merge.