Python 数据合并及查询方法——Pandas merge()

---

merge() 官方地址

这一节主要讲的是 merge() methods。

这都是官方文档的链接，https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.merge.html

（大家可以自行翻译理解，官方也给了案例。）

---

merge() 主体部分及其参数说明

首先，我们看看merge()的主体组成

pandas.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, 
							sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

下面是官方的解释，直接翻译，有一些个人注释

• Parameters 参数解释

  left : DataFrame

  right : DataFrame or named Series，两个表只有right才会是要合并的对象，而left是等待合并的，即右表和左表合并

  how ： {‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, default ‘inner’

    left：仅使用左帧中的键，类似于 SQL 左外连接；保留密钥顺序。
  
    right：仅使用右框架中的键，类似于 SQL 右外连接；保留密钥顺序。
  
    outer：使用来自两个帧的键并集，类似于 SQL 完全外部联接；按字典顺序对键进行排序。
  
    inner：使用来自两个帧的键的交集，类似于 SQL 内部连接；保留左键的顺序。
  
    cross：从两个帧创建笛卡尔积，保留左键的顺序。
  

  #上面是翻译的结果，就是和sql的连接一样。默认是取两个表的交集，并且保持left中的顺序

  on ：label or list

  要加入的列或索引级别名称。这些必须在两个 DataFrame 中都可以找到。如果 on 是 None 并且不合并索引，则默认为两个 DataFrame 中列的交集。

  suffixes：如果有相同的列，我们可以自定义名称加以区分

  left_on 和right_on：这两个需要一起使用的！这仅在左表和右表的列名称不同时使用，且二者的长度需要相同，如果不同会报错。

  left_index和right_index: 这两个是个布林值。默认为False，当选为True的时候，说明我们需要合并索引。如果你要保留的是left_on的值，作索引，那就为True；right_on做索引，同样如此。

（剩下的可以看看文档链接，就不一一说明了）

值得注意的是

merge() 默认是内连接 inner join！！！！

---

不同的连接示意图

这一部分就是每个连接到解释，以及他们是怎么合并筛选的

内连接 inner join

全连接 Outer Join

左连接 left join

右链接

半连接 semi join

返回左表中和右表想匹配的行；上图右表有C2，C3，所以返回了左表的第一行和第三行。
与内连接不同的是，它只会显示与左表匹配的column

反连接 anti join

返回左表里没有的行；右表没有C3，所以直接返回了左表的第二行

---

例子解释

我把网站上的实例复制了下来，可以结合一下。

您的目标是
找出在 7 月（月 == 7）的工作日（day_type == ‘Weekday’）乘坐芝加哥公共交通系统时通过威尔逊车站 (station_name == ‘Wilson’) 的乘客提供的乘车总数.幸运的是，芝加哥提供了这些详细数据，但它位于三个不同的表格中。您将努力将这些表合并在一起以回答问题。

上面是几个表的示例。

首先，将 Ridership 和 cal 表合并在一起，从左侧的 Ridership 表开始，并将结果保存到变量 ridership_cal

ridership_cal = ridership.merge(cal, on = ['year', 'month', 'day'])

然后，通过合并 station表将先前的合并扩展到三个表。

ridership_cal_stations = ridership.merge(cal, on=['year','month','day']) \
            				.merge(stations, on = 'station_id')

最后，创建一个名为 filter_criteria 的变量以从合并表中选择适当的行，以便可以对 ‘rides游乐设施列’ 求和。

# Merge the ridership, cal, and stations tables
ridership_cal_stations = ridership.merge(cal, on=['year','month','day']) \
							.merge(stations, on='station_id')

# Create a filter to filter ridership_cal_stations
filter_criteria = ((ridership_cal_stations['month'] == 7) 
                   & (ridership_cal_stations['day_type'] == 'Weekday') 
                   & (ridership_cal_stations['station_name'] == 'Wilson'))

# Use .loc and the filter to select for rides
print(ridership_cal_stations.loc[filter_criteria, 'rides'].sum())

# result
140005

上面就是先按要求的列进行合并，这样就能将所有的表连接在一起，最后再按条件进行筛选。
有不懂得欢迎提问哈

Reference

Datacamp