Si puedes usar la biblioteca pandas, siempre recomendable para tratar con datos estructurados en tablas como es tu caso, la solución pasa por:
- Cargar cada una de tus tablas en un dataframe pandas
- Usar como índice la columna "track" en la tabla 1, y la columna "diccionario" en la tabla 2.
- Hacer un
join()
de ambas tablas. Pandas se ocupa de "hacer encajar" las filas con el mismo índice.
- Como consecuencia del paso anterior pueden aparecer valores "NaN" (que son una especie de valores nulos) en elementos que tengan índice en una de las tablas pero no en la otra. Opcionalmente puedes cambiar esos "NaN" por cualquier otro valor (cero, o una cadena de guiones, etc.)
- El resultado del join usará como índice los hashes esos que sirvieron para hacer la mezcla. Si no los quieres puedes hacer un
reset_index()
al resultado
- También opcionalmente puedes fijar como índice del resultado la columna
pid
.
El siguiente fragmento hace los pasos 1 y 2. En este caso las tablas las "leo" de cadenas, puesto que me resulta más cómodo hacerlo así simplemente copiando y pegando el ejemplo de tu pregunta. En tu caso las leerías probablemente de fichero. Pandas puede leer csv y excel y otros muchos formatos.
Edición: Por cierto, he desordenado las filas del array B para que después se vea mejor que .join()
no se limita a concatenar "en horizontal", sino que realmente "busca" en B los elementos basándose en los índices.
import io
import pandas as pd
datos1 = """\
pid track
0 77vFvcdWZi0ZqiDOoHU3YI
1 0e9hR1vTrzlUvFH5PgA9rY
2 00z4wF0iJsp6GwDkQxkGs6
3 0CyRloqqjpeKEAd3cO6J6z
4 0c1gHntWjKD7QShC8s99sq"""
datos2 = """\
diccionario id
0CyRloqqjpeKEAd3cO6J6z 2
00z4wF0iJsp6GwDkQxkGs6 1
0c1gHntWjKD7QShC8s99sq 16
0e9hR1vTrzlUvFH5PgA9rY 3
0UaMYEvWZi0ZqiDOoHU3YI 34"""
a = pd.read_table(io.StringIO(datos1), sep=r'\s+').set_index("track")
b = pd.read_table(io.StringIO(datos2), sep=r'\s+').set_index("diccionario")
El siguiente fragmento hace los pasos 3 y 4 (relleno los valores desconocidos con un "-"):
c = a.join(b).fillna("-")
print(c)
pid id
track
77vFvcdWZi0ZqiDOoHU3YI 0 -
0e9hR1vTrzlUvFH5PgA9rY 1 3
00z4wF0iJsp6GwDkQxkGs6 2 1
0CyRloqqjpeKEAd3cO6J6z 3 2
0c1gHntWjKD7QShC8s99sq 4 16
El siguiente código haría los pasos 5 y 6, es decir, elimina el índice "track" y pone pid
como nuevo índice, dando ya el resultado buscado:
c = c.reset_index(drop=True).set_index("pid")
print(c)
id
pid
0 -
1 3
2 1
3 2
4 16