如何与熊猫执行 (INNER| (LEFT|RIGHT|FULL) OUTER) JOIN?
如何在合并后为缺失的行添加 NaN?
合并后如何摆脱 NaN?
我可以合并索引吗?
如何合并多个 DataFrame?
与熊猫交叉加入
合并?加入?连接?更新?谁?什么?为什么?!
... 和更多。我已经看到这些反复出现的问题询问熊猫合并功能的各个方面。今天,关于合并及其各种用例的大部分信息都分散在几十个措辞不当、无法搜索的帖子中。这里的目的是为后代整理一些更重要的观点。
本问答旨在成为有关 Pandas 常用习语的一系列有用用户指南中的下一部分(请参阅 this post on pivoting 和 this post on concatenation,我稍后会谈到)。
请注意,这篇文章不是要替代 the documentation,所以也请阅读!一些例子取自那里。
目录
为了方便访问。
合并基础 - 连接的基本类型(首先阅读此内容)
基于索引的连接
泛化到多个 DataFrame
交叉连接
这篇文章旨在为读者提供 SQL 风格与 Pandas 合并的入门知识,如何使用它以及何时不使用它。
特别是,本文将介绍以下内容:
基础知识 - 连接类型(LEFT、RIGHT、OUTER、INNER)与不同的列名合并与多个列合并避免输出中出现重复的合并键列
合并不同的列名
与多列合并
避免输出中出现重复的合并键列
这篇文章(以及我在这个线程上的其他帖子)不会经过:
与性能相关的讨论和时间安排(目前)。在适当的情况下,主要提到了更好的替代方案。
处理后缀、删除额外列、重命名输出和其他特定用例。还有其他(阅读:更好的)帖子可以解决这个问题,所以弄清楚吧!
注意大多数示例在演示各种功能时默认为 INNER JOIN 操作,除非另有说明。此外,这里的所有 DataFrame 都可以复制和复制,以便您可以使用它们。此外,请参阅这篇关于如何从剪贴板读取 DataFrames 的帖子。最后,JOIN 操作的所有视觉表示都是使用 Google 绘图手绘的。灵感来自这里。
说得够多了 - 告诉我如何使用合并!
设置和基础
np.random.seed(0)
left = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'value': np.random.randn(4)})
right = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'value': np.random.randn(4)})
left
key value
0 A 1.764052
1 B 0.400157
2 C 0.978738
3 D 2.240893
right
key value
0 B 1.867558
1 D -0.977278
2 E 0.950088
3 F -0.151357
为简单起见,键列具有相同的名称(目前)。
INNER JOIN 表示为
请注意,这与即将出现的数字都遵循此约定:蓝色表示合并结果中存在的行红色表示从结果中排除(即删除)的行绿色表示在结果中用 NaN 替换的缺失值
要执行 INNER JOIN,请在左侧 DataFrame 上调用 merge
,指定右侧 DataFrame 和连接键(至少)作为参数。
left.merge(right, on='key')
# Or, if you want to be explicit
# left.merge(right, on='key', how='inner')
key value_x value_y
0 B 0.400157 1.867558
1 D 2.240893 -0.977278
这仅返回 left
和 right
中共享公共键的行(在本例中为“B”和“D”)。
LEFT OUTER JOIN 或 LEFT JOIN 表示为
这可以通过指定 how='left'
来执行。
left.merge(right, on='key', how='left')
key value_x value_y
0 A 1.764052 NaN
1 B 0.400157 1.867558
2 C 0.978738 NaN
3 D 2.240893 -0.977278
仔细注意 NaN 的位置。如果您指定 how='left'
,则仅使用来自 left
的键,而来自 right
的缺失数据将替换为 NaN。
同样,对于 RIGHT OUTER JOIN 或 RIGHT JOIN,它是......
...指定 how='right'
:
left.merge(right, on='key', how='right')
key value_x value_y
0 B 0.400157 1.867558
1 D 2.240893 -0.977278
2 E NaN 0.950088
3 F NaN -0.151357
在这里,使用来自 right
的键,来自 left
的缺失数据被 NaN 替换。
最后,对于 FULL OUTER JOIN,由
指定 how='outer'
。
left.merge(right, on='key', how='outer')
key value_x value_y
0 A 1.764052 NaN
1 B 0.400157 1.867558
2 C 0.978738 NaN
3 D 2.240893 -0.977278
4 E NaN 0.950088
5 F NaN -0.151357
这使用了两个帧中的键,并且为两个帧中的缺失行插入了 NaN。
该文档很好地总结了这些各种合并:
https://i.stack.imgur.com/5qDIy.png
其他 JOIN - LEFT-Excluding、RIGHT-Excluding 和 FULL-Excluding/ANTI JOIN
如果您需要 LEFT-Excluding JOIN 和 RIGHT-Excluding JOIN 分两步。
对于 LEFT-Excluding JOIN,表示为
首先执行 LEFT OUTER JOIN,然后过滤到仅来自 left
的行(不包括右侧的所有内容),
(left.merge(right, on='key', how='left', indicator=True)
.query('_merge == "left_only"')
.drop('_merge', 1))
key value_x value_y
0 A 1.764052 NaN
2 C 0.978738 NaN
在哪里,
left.merge(right, on='key', how='left', indicator=True)
key value_x value_y _merge
0 A 1.764052 NaN left_only
1 B 0.400157 1.867558 both
2 C 0.978738 NaN left_only
3 D 2.240893 -0.977278 both
同样,对于 RIGHT-Excluding JOIN,
(left.merge(right, on='key', how='right', indicator=True)
.query('_merge == "right_only"')
.drop('_merge', 1))
key value_x value_y
2 E NaN 0.950088
3 F NaN -0.151357
最后,如果您需要进行仅保留左侧或右侧键的合并,但不能同时保留两者(IOW,执行 ANTI-JOIN),
你可以用类似的方式做到这一点——
(left.merge(right, on='key', how='outer', indicator=True)
.query('_merge != "both"')
.drop('_merge', 1))
key value_x value_y
0 A 1.764052 NaN
2 C 0.978738 NaN
4 E NaN 0.950088
5 F NaN -0.151357
键列的不同名称
如果键列的名称不同(例如,left
具有 keyLeft
,而 right
具有 keyRight
而不是 key
),那么您必须将 left_on
和 right_on
指定为参数而不是on
:
left2 = left.rename({'key':'keyLeft'}, axis=1)
right2 = right.rename({'key':'keyRight'}, axis=1)
left2
keyLeft value
0 A 1.764052
1 B 0.400157
2 C 0.978738
3 D 2.240893
right2
keyRight value
0 B 1.867558
1 D -0.977278
2 E 0.950088
3 F -0.151357
left2.merge(right2, left_on='keyLeft', right_on='keyRight', how='inner')
keyLeft value_x keyRight value_y
0 B 0.400157 B 1.867558
1 D 2.240893 D -0.977278
避免输出中的重复键列
从 left
合并 keyLeft
和从 right
合并 keyRight
时,如果您只需要输出中的 keyLeft
或 keyRight
(但不是两者),您可以首先将索引设置为一个初步步骤。
left3 = left2.set_index('keyLeft')
left3.merge(right2, left_index=True, right_on='keyRight')
value_x keyRight value_y
0 0.400157 B 1.867558
1 2.240893 D -0.977278
将此与之前命令的输出(即 left2.merge(right2, left_on='keyLeft', right_on='keyRight', how='inner')
的输出)进行对比,您会注意到缺少 keyLeft
。您可以根据将哪个帧的索引设置为键来确定要保留的列。这在执行某些 OUTER JOIN 操作时可能很重要。
仅合并其中一个 DataFrame 中的一列
例如,考虑
right3 = right.assign(newcol=np.arange(len(right)))
right3
key value newcol
0 B 1.867558 0
1 D -0.977278 1
2 E 0.950088 2
3 F -0.151357 3
如果您只需要合并“newcol”(没有任何其他列),您通常可以在合并之前只对列进行子集:
left.merge(right3[['key', 'newcol']], on='key')
key value newcol
0 B 0.400157 0
1 D 2.240893 1
如果您正在执行 LEFT OUTER JOIN,则性能更高的解决方案将涉及 map
:
# left['newcol'] = left['key'].map(right3.set_index('key')['newcol']))
left.assign(newcol=left['key'].map(right3.set_index('key')['newcol']))
key value newcol
0 A 1.764052 NaN
1 B 0.400157 0.0
2 C 0.978738 NaN
3 D 2.240893 1.0
如前所述,这类似于,但比
left.merge(right3[['key', 'newcol']], on='key', how='left')
key value newcol
0 A 1.764052 NaN
1 B 0.400157 0.0
2 C 0.978738 NaN
3 D 2.240893 1.0
合并多个列
要加入多个列,请为 on
(或 left_on
和 right_on
,视情况而定)指定一个列表。
left.merge(right, on=['key1', 'key2'] ...)
或者,如果名称不同,
left.merge(right, left_on=['lkey1', 'lkey2'], right_on=['rkey1', 'rkey2'])
其他有用的合并*操作和功能
在索引上将 DataFrame 与 Series 合并:请参阅此答案。
除了合并之外,DataFrame.update 和 DataFrame.combine_first 在某些情况下也用于将一个 DataFrame 与另一个 DataFrame 更新。
pd.merge_ordered 是有序 JOIN 的有用函数。
pd.merge_asof(阅读:merge_asOf)对于近似连接很有用。
本部分仅涵盖最基本的内容,旨在激发您的兴趣。如需更多示例和案例,请参阅 documentation on merge
, join
, and concat
以及函数规范的链接。
继续阅读
跳转到 Pandas Merging 101 中的其他主题继续学习:
合并基础 - 连接的基本类型 *
基于索引的连接
泛化到多个 DataFrame
交叉连接
*你在这里。
pd.concat([df0, df1], kwargs)
的补充视觉视图。请注意,kwarg axis=0
或 axis=1
的含义不如 df.mean()
或 df.apply(func)
直观
https://i.stack.imgur.com/1rb1R.jpg
concat
和 merge
,方向参数为 horizontal
或 vertical
。
axis=1
和 axis=0
吗?
merge
和 concat
和轴等等。然而,正如@eliu 所展示的,这都是 merge 与“left”和“right”以及“horizontal”或“vertical”的相同概念。就我个人而言,每次我必须记住哪个“轴”是 0
和哪个是 1
时,我都必须查看文档。
加入101
这些动画可能会更好地直观地向您解释。学分:Garrick Aden-Buie tidyexplain repo
内部联接
https://i.stack.imgur.com/3qpXx.gif
外部联接或完全联接
https://i.stack.imgur.com/dG8mw.gif
右连接
https://i.stack.imgur.com/JpPRH.gif
左连接
https://i.stack.imgur.com/s5hgJ.gif
在这个答案中,我将考虑实际的例子。
第一个是 pandas.concat
。
第二个,合并来自一个索引和另一个列的数据帧。
考虑以下具有相同列名的 DataFrames
:
Preco2018 大小 (8784, 5)
https://i.stack.imgur.com/rsqan.png
Preco 2019 尺寸 (8760, 5)
https://i.stack.imgur.com/uZoyW.png
具有相同的列名。
您可以使用 pandas.concat
组合它们,只需
import pandas as pd
frames = [Preco2018, Preco2019]
df_merged = pd.concat(frames)
这导致 DataFrame 具有以下大小 (17544, 5)
https://i.stack.imgur.com/8gAVG.png
如果你想可视化,它最终会像这样工作
https://i.stack.imgur.com/3KFNZ.png
(Source)
2.按列和索引合并
在这一部分中,我将考虑一个具体的案例:如果想要合并一个数据帧的索引和另一个数据帧的列。
假设一个数据框 Geo
有 54 列,是日期 Data
的列之一,它的类型是 datetime64[ns]
。
https://i.stack.imgur.com/gvSIB.png
具有一列价格和索引的数据框 Price
对应于日期
https://i.stack.imgur.com/Dp7Jm.png
在这种特定情况下,要合并它们,可以使用 pd.merge
merged = pd.merge(Price, Geo, left_index=True, right_on='Data')
这导致以下数据框
https://i.stack.imgur.com/yJVD3.png
这篇文章将讨论以下主题:
在不同条件下与索引合并 基于索引的连接选项:合并、连接、合并索引 合并一个索引、另一个列
基于索引的连接的选项:合并、连接、连接
合并索引
合并一个索引,另一个列
有效地使用命名索引来简化合并语法
基于索引的连接
TL;博士
有几个选项,根据用例,一些选项比其他选项更简单。 DataFrame.merge with left_index and right_index(或left_on和right_on使用命名索引)支持inner/left/right/full一次只能连接两个支持column-column, index-column, index-index joins DataFrame.join (join on index) 支持 inner/left (default)/right/full 可以一次加入多个 DataFrame 支持 index-index 联接 pd.concat (joins on index) 支持 inner/full (default) 可以一次加入多个 DataFrame 支持 index-索引连接
索引到索引连接
设置和基础
import pandas as pd
import numpy as np
np.random.seed([3, 14])
left = pd.DataFrame(data={'value': np.random.randn(4)},
index=['A', 'B', 'C', 'D'])
right = pd.DataFrame(data={'value': np.random.randn(4)},
index=['B', 'D', 'E', 'F'])
left.index.name = right.index.name = 'idxkey'
left
value
idxkey
A -0.602923
B -0.402655
C 0.302329
D -0.524349
right
value
idxkey
B 0.543843
D 0.013135
E -0.326498
F 1.385076
通常,索引上的内部连接如下所示:
left.merge(right, left_index=True, right_index=True)
value_x value_y
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
其他联接遵循类似的语法。
值得注意的替代品
DataFrame.join 默认为索引上的连接。 DataFrame.join 默认执行 LEFT OUTER JOIN,因此这里需要 how='inner'。 left.join(right, how='inner', lsuffix='_x', rsuffix='_y') value_x value_y idxkey B -0.402655 0.543843 D -0.524349 0.013135 请注意,我需要指定 lsuffix 和 rsuffix 参数,否则 join 会错误输出:left.join(right)ValueError:列重叠但未指定后缀:Index(['value'],dtype ='object')因为列名相同。如果它们的名称不同,这将不是问题。 left.rename(columns={'value':'leftvalue'}).join(right, how='inner') leftvalue value idxkey B -0.402655 0.543843 D -0.524349 0.013135 pd.concat 加入索引,可以加入两个或一次更多的数据帧。默认情况下它进行完全外连接,所以这里需要how='inner'.. pd.concat([left, right], axis=1, sort=False, join='inner') value value idxkey B -0.402655 0.543843 D -0.524349 0.013135 有关 concat 的更多信息,请参阅这篇文章。
列连接索引
要使用左侧索引、右侧列执行内连接,您将使用 left_index=True
和 right_on=...
的组合 DataFrame.merge
。
right2 = right.reset_index().rename({'idxkey' : 'colkey'}, axis=1)
right2
colkey value
0 B 0.543843
1 D 0.013135
2 E -0.326498
3 F 1.385076
left.merge(right2, left_index=True, right_on='colkey')
value_x colkey value_y
0 -0.402655 B 0.543843
1 -0.524349 D 0.013135
其他连接遵循类似的结构。请注意,只有 merge
可以对列连接执行索引。您可以连接多个列,前提是左侧的索引级别数等于右侧的列数。
join
和 concat
不能混合合并。您需要使用 DataFrame.set_index
将索引设置为前置步骤。
有效使用命名索引 [pandas >= 0.23]
如果您的索引已命名,则从 pandas >= 0.23 开始,DataFrame.merge
允许您将索引名称指定为 on
(或 left_on
和 right_on
根据需要)。
left.merge(right, on='idxkey')
value_x value_y
idxkey
B -0.402655 0.543843
D -0.524349 0.013135
对于上一个与左索引合并右列的示例,您可以将left_on
与左索引名称一起使用:
left.merge(right2, left_on='idxkey', right_on='colkey')
value_x colkey value_y
0 -0.402655 B 0.543843
1 -0.524349 D 0.013135
继续阅读
跳转到 Pandas Merging 101 中的其他主题继续学习:
合并基础 - 连接的基本类型
基于索引的连接*
泛化到多个 DataFrame
交叉连接
你在这里
这篇文章将讨论以下主题:
如何正确泛化到多个 DataFrame(以及为什么 merge 在这里有缺点)
合并唯一键
合并非唯一键
泛化到多个 DataFrame
通常,当多个 DataFrame 要合并在一起时会出现这种情况。天真地,这可以通过链接 merge
调用来完成:
df1.merge(df2, ...).merge(df3, ...)
但是,对于许多 DataFrame,这很快就会失控。此外,可能需要对未知数量的 DataFrame 进行泛化。
这里我介绍 pd.concat
用于 unique 键上的多路连接,而 DataFrame.join
用于 非唯一 键上的多路连接。首先,设置。
# Setup.
np.random.seed(0)
A = pd.DataFrame({'key': ['A', 'B', 'C', 'D'], 'valueA': np.random.randn(4)})
B = pd.DataFrame({'key': ['B', 'D', 'E', 'F'], 'valueB': np.random.randn(4)})
C = pd.DataFrame({'key': ['D', 'E', 'J', 'C'], 'valueC': np.ones(4)})
dfs = [A, B, C]
# Note: the "key" column values are unique, so the index is unique.
A2 = A.set_index('key')
B2 = B.set_index('key')
C2 = C.set_index('key')
dfs2 = [A2, B2, C2]
唯一键上的多路合并
如果您的键(这里的键可以是列或索引)是唯一的,那么您可以使用 pd.concat
。请注意,pd.concat
在索引中加入 DataFrame。
# Merge on `key` column. You'll need to set the index before concatenating
pd.concat(
[df.set_index('key') for df in dfs], axis=1, join='inner'
).reset_index()
key valueA valueB valueC
0 D 2.240893 -0.977278 1.0
# Merge on `key` index.
pd.concat(dfs2, axis=1, sort=False, join='inner')
valueA valueB valueC
key
D 2.240893 -0.977278 1.0
省略 join='inner'
以获得 FULL OUTER JOIN。请注意,您不能指定 LEFT 或 RIGHT OUTER 连接(如果您需要这些,请使用 join
,如下所述)。
在具有重复项的键上进行多路合并
concat
速度很快,但也有缺点。它无法处理重复项。
A3 = pd.DataFrame({'key': ['A', 'B', 'C', 'D', 'D'], 'valueA': np.random.randn(5)})
pd.concat([df.set_index('key') for df in [A3, B, C]], axis=1, join='inner')
ValueError: Shape of passed values is (3, 4), indices imply (3, 2)
在这种情况下,我们可以使用 join
,因为它可以处理非唯一键(请注意,join
在其索引上连接 DataFrame;它在后台调用 merge
并执行 LEFT OUTER JOIN,除非另有说明)。
# Join on `key` column. Set as the index first.
# For inner join. For left join, omit the "how" argument.
A.set_index('key').join([B2, C2], how='inner').reset_index()
key valueA valueB valueC
0 D 2.240893 -0.977278 1.0
# Join on `key` index.
A3.set_index('key').join([B2, C2], how='inner')
valueA valueB valueC
key
D 1.454274 -0.977278 1.0
D 0.761038 -0.977278 1.0
继续阅读
跳转到 Pandas Merging 101 中的其他主题继续学习:
合并基础 - 连接的基本类型
基于索引的连接
泛化到多个 DataFrame *
交叉连接
你在这里
不定期副业成功案例分享