Joins y Combinaciones

Combinar tablas en claves compartidas es donde ocurren la duplicación silenciosa de filas y la pérdida de registros. merge y concat de pandas requieren tipos de unión explícitos y validación.

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

import pandas as pd
 
merged = left.merge(
    right,
    on="order_id",
    how="left",
    validate="many_to_one",
    indicator=True,
)
unmatched = merged.loc[merged["_merge"] == "left_only"]

Cuándo usar esto:

• Enriquecer tablas de hechos con atributos de dimensión
• Unir respuestas de API de múltiples puntos de conexión
• Unir particiones mensuales de Parquet verticalmente
• Construir conjuntos de entrenamiento a partir de tablas de características + etiquetas

Ejemplo de Trabajo

import pandas as pd
 
orders = pd.DataFrame(
    {"order_id": [1, 2, 3], "customer_id": [10, 11, 10], "amount": [120, 340, 80]}
)
customers = pd.DataFrame(
    {"customer_id": [10, 11], "segment": ["SMB", "Enterprise"]}
)
refunds = pd.DataFrame({"order_id": [2], "refund": [50.0]})
 
# Enriquecimiento de dimensión - se espera 1:1 o muchos:1
enriched = orders.merge(
    customers,
    on="customer_id",
    how="left",
    validate="many_to_one",
)
 
# Extensión de hechos - los reembolsos pueden faltar
with_refunds = enriched.merge(
    refunds,
    on="order_id",
    how="left",
    validate="one_to_one",
)
with_refunds["refund"] = with_refunds["refund"].fillna(0.0)
with_refunds["net"] = with_refunds["amount"] - with_refunds["refund"]
 
# Auditoría de cobertura de la combinación
audit = orders.merge(customers, on="customer_id", how="left", indicator=True)
missing_customers = audit.loc[audit["_merge"] == "left_only"]
 
print(with_refunds)
print("filas de clientes faltantes:", len(missing_customers))

Lo que esto demuestra:

• validate para afirmar las expectativas de cardinalidad
• Unión izquierda que preserva todos los pedidos
• indicator=True para la detección de huérfanos
• Rellenar NA después de la unión izquierda para hechos opcionales

Inmersión Profunda

Cómo Funciona

• merge realiza uniones estilo base de datos en claves de columna (hash o sort-merge).
• how controla qué claves sobreviven: inner, left, right, outer.
• validate lanza un error si la cardinalidad real viola la relación declarada.
• concat apila a lo largo del eje 0 (filas) o 1 (columnas) sin alineación de claves.

Tipos de Unión

Notas de Python

import pandas as pd
 
# Nombres de columna diferentes
pd.merge(orders, regions, left_on="region_id", right_on="id")
 
# Unir archivos mensuales con columnas consistentes
pd.concat([jan, feb], ignore_index=True)

Peligros

• Combinación de muchos a muchos - las duplicaciones explotan el recuento de filas multiplicativamente. Solución: eliminar duplicados de claves primero o usar validate="m:m" a sabiendas con comprobaciones de recuento de filas.
• Desajuste de tipo de datos de clave - int64 vs object "1" produce una combinación vacía. Solución: usar astype en las claves de ambos lados antes de la combinación.
• Nombres de columna duplicados - los sufijos son _x/_y por defecto. Solución: suffixes=("", "_dim") y eliminar columnas redundantes.
• Combinación accidental en el índice - on= olvidado combina en el índice si está alineado. Solución: reset_index() o indicadores explícitos left_index.
• concat sin ignore_index - preserva etiquetas de fila duplicadas. Solución: ignore_index=True o índice jerárquico por fuente.

Alternativas

Preguntas Frecuentes

assert len(merged) == len(left)  # para muchos a uno

left.merge(right, on=["region", "month"])

left.merge(right, on="id", how="left", indicator=True).query("_merge == 'left_only'")

pd.merge_asof(trades.sort_values("ts"), quotes.sort_values("ts"), on="ts")

right = right.drop_duplicates("customer_id", keep="last")

Relacionado

• Limpieza y Transformación de Datos - normalizar claves primero
• GroupBy y Agregación - agregar después de enriquecer
• Formatos de Archivo - particiones de Parquet para concatenar
• Mejores Prácticas de Análisis de Datos - uniones reproducibles

Versiones de Stack: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.