Indice / Practicas / EJ-6.3

EJ-6.3 · Anti-join: lo que esta en un solo sistema

Practica de: 6.3 merge avanzadoDificultad: B

Los productos que tiene un catálogo y el otro no. Es la operación más chica de la unidad y la que más se usa: casi todo control de calidad entre dos sistemas empieza acá.

Qué hay que hacer

A partir de los dos catálogos, producir catalogo_solo_a.csv (14 productos) y catalogo_solo_b.csv (10 productos).

ELI5Explicado facil

Dos listas de asistencia de la misma clase. La pregunta no es quién está en las dos: es quién falta en cada una.

Y hay que contestarla dos veces, porque «los que están en A y no en B» y «los que están en B y no en A» son dos preguntas distintas con dos respuestas distintas.

Archivos

Entrada · catalogo_sistema_a.csv (2.6 kB)
Entrada · catalogo_sistema_b.csv (2.5 kB)
Objetivo · catalogo_solo_a.csv (0.6 kB, 14 filas)
Objetivo · catalogo_solo_b.csv (0.4 kB, 10 filas)
Herramienta · comparar.py (para verificar tu resultado)

No existe `how="anti"`

El anti-join se arma con dos cosas que ya conocés: un left con indicator=True, filtrado por left_only. Tres líneas y funciona para cualquier par de tablas.

Un detalle que ahorra trabajo: cruzá contra derecha[["sku"]] y no contra la tabla entera. Así el resultado no trae columnas con sufijos que después hay que sacar.

Cómo saber si te salió

python comparar.py mi_solo_a.csv catalogo_solo_a.csv
python comparar.py mi_solo_b.csv catalogo_solo_b.csv

Antes de arrancar, mirá los datos

catalogo_sistema_a.csv (entrada) · 62 filas, se muestran 5
sku	nombre	precio	stock	actualizado
SKU001	Artículo 001	205.25	22	2026-07-23
SKU002	Artículo 002	695.67	84	2026-08-06
SKU003	Artículo 003	31.89	151	2026-08-09
SKU004	Artículo 004	vacio	195	2026-07-15
SKU005	Artículo 005	174.26	126	2026-08-07

El contrato de salida

`catalogo_solo_a.csv` · 14 filas

Columna	Tipo	Que lleva
`sku`	texto	La clave del producto
`nombre`	texto	Tal cual viene de A
`precio`	decimal	Tal cual viene, redondeado a 2 decimales. Puede quedar vacio
`stock`	entero	Tal cual viene. Puede quedar vacio
`actualizado`	texto	Tal cual viene

Orden de las filas: sku ascendente. Es unico en la salida. Indice: no se escribe: to_csv(index=False)

`catalogo_solo_b.csv` · 10 filas

Columna	Tipo	Que lleva
`sku`	texto	La clave del producto
`nombre`	texto	Tal cual viene de B
`precio`	decimal	Tal cual viene, redondeado a 2 decimales
`stock`	entero	Tal cual viene
`actualizado`	texto	Tal cual viene

Orden de las filas: sku ascendente. Es unico en la salida. Indice: no se escribe: to_csv(index=False)

Que hacer con cada defecto

Defecto	Donde	Accion	Adonde va
SKU repetidos dentro de cada catalogo	SKU002 y SKU007 en A, SKU020 en B	deduplicar deduplicar por recencia antes de cruzar	una fila por sku en cada salida
precio y stock ausentes en A	SKU004 (precio) y SKU010 (stock, token NaN)	NO NO se corrigen: el ejercicio compara claves, no valida datos	catalogo_solo_a.csv, con el campo vacio
precios negativos en B	B	NO NO se validan. Ninguno cae en los 10 que estan solo en B, pero la politica va escrita igual	catalogo_solo_b.csv

Orden de comprobacion

Una fila puede tener mas de un problema. Se informa solo el primero de esta lista:

deduplicar A y B por recencia
left merge de A contra las claves de B, con indicator
quedarse con left_only
repetir dando vuelta las tablas

El anti-join no es un how: es un left con indicator filtrado por left_only. Cruzar contra df[['sku']] en vez de contra la tabla entera evita que aparezcan columnas con sufijos que despues hay que sacar.

Conteos clave

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

sku unicos en A	60
sku unicos en B	56
en las dos fuentes	46
catalogo_solo_a.csv	14
catalogo_solo_b.csv	10
union de las dos	70
por motivo

Invariantes

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

len(solo_a) == 14
len(solo_b) == 10
46 + 14 + 10 == 70
solo_a['sku'].is_unique
solo_b['sku'].is_unique
set(solo_a['sku']) & set(solo_b['sku']) == set()
set(solo_a['sku']) <= set(a['sku'])
set(solo_b['sku']) & set(a['sku']) == set()

PISTASSi te trabas, abri esto

No existe how='anti'. Se arma con left + indicator + filtrar por left_only.
Cruza contra derecha[['sku']] y no contra la tabla entera: asi no aparecen columnas con sufijos.
Los dos archivos no pueden compartir ningun sku: si comparten alguno, algo salio mal.
La comprobacion final es 46 + 14 + 10 = 70, que es la cantidad de sku distintos entre las dos fuentes.

Así tiene que quedar

catalogo_solo_a.csv (objetivo) · 14 filas, se muestran 5
sku	nombre	precio	stock	actualizado
SKU001	Artículo 001	205.25	22	2026-07-23
SKU002	Artículo 002	31.5	12	2026-08-20
SKU003	Artículo 003	31.89	151	2026-08-09
SKU004	Artículo 004	vacio	195	2026-07-15
SKU005	Artículo 005	174.26	126	2026-08-07

catalogo_solo_b.csv (objetivo) · 10 filas, se muestran 5
sku	nombre	precio	stock	actualizado
SKU061	Artículo 061	73.2	63	2026-07-17
SKU062	Artículo 062	498.99	130	2026-08-16
SKU063	Artículo 063	455.53	104	2026-08-17
SKU064	Artículo 064	671.16	4	2026-08-14
SKU065	Artículo 065	31.45	6	2026-08-17

La cuenta que tiene que cerrar

46 + 14 + 10 = 70: los que están en las dos, más los de cada lado, dan la cantidad de SKU distintos entre los dos catálogos. Es la misma cuenta que produce el outer de EJ-6.1, y sirve como comprobación cruzada entre los dos ejercicios.

Y los dos archivos no pueden compartir ningún SKU: si comparten alguno, algo salió mal.

Deduplicar sigue yendo primero

SKU002 y SKU007 aparecen dos veces en A, y los dos están entre los 14 que faltan en B. Sin deduplicar, salen dos veces cada uno en el informe y el archivo tiene 16 filas en vez de 14.