图解pandas的数据合并merge

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

在实际的业务需求中，我们的数据可能存在于不同的库表中。很多情况下，我们需要进行多表的连接查询来实现数据的提取，通过SQL的join，比如left join、left join、inner join等来实现。

在pandas中也有实现合并功能的函数，比如：concat、append、join、merge。本文中重点介绍的是merge函数，也是pandas中最为重要的一个实现数据合并的函数。

看完了你会放弃SQL吗？

Pandas连载文章

目前Pandas系列文章已经更新了13篇，文章都是以案例+图解的风格，欢迎访问阅读。有很多个人推荐的文章：

参数

官网学习地址：https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html#

pd.merge(left,   # 待合并的2个数据框
         right, 
         how='inner',  # ‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’
         on=None, # 连接的键，默认是相同的键
         left_on=None,  # 指定不同的连接字段：键不同，但是键的取值有相同的内容
         right_on=None, 
         left_index=False,   # 根据索引来连接
         right_index=False, 
         sort=False, # 是否排序
         suffixes=('_x', '_y'),   # 改变后缀
         copy=True, 
         indicator=False,   # 显示字段来源
         validate=None)

参数的具体解释为：

• left、right：待合并的数据帧

• how：合并的方式，有5种：{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, 默认是 ‘inner’

  1、 left：左连接，保留left的全部数据；right类似；类比于SQL的left join 或者right join

  2、outer：全连接功能，类似SQL的full outer join

  3、inner：交叉连接，类比于SQL的inner join

  4、cross：创建两个数据帧DataFrame的笛卡尔积，默认保留左边的顺序

• on：连接的列属性；默认是两个DataFrame的相同字段

• left_on/right_on：指定两个不同的键进行联结

• left_index、right_index：通过索引进行合并

• suffixes：指定我们自己想要的后缀

• indictor：显示字段的来源

模拟数据

我们创建了4个DataFrame数据框；其中df1和df2、df3是具有相同的键userid；df4有类似的键userid1，取值也是ac，和df1或df2的userid取值有相同的部分。

import pandas as pd
import numpy as np

参数left、right

left、how就是需要连接的两个数据帧，一般有两种写法：

• pd.merge(left,right)，个人习惯
• left.merge(right)

图解过程如下：

• 两个数据框df1（left）、df2（right）有相同的字段userid
• 默认是通过相同的字段（键）进行关联，取出键中相同的值（ac），而且每个键的记录要全部显示，比如a有多条记录

参数how

inner

inner称之为内连接。它会直接根据相同的列属性userid进行关联，取出属性下面相同的数据信息a、c

⚠️上面的图解过程就是默认的使用how=“inner”

outer

outer称之为外连接，在拼接的过程中会取两个数据框中键的并集进行拼接

• 外连接，取出全部交集键的并集。例子中是user的并集
• 如果某个键在某个数据框中不存在数据，则为NaN

图解过程如下：

• 也是根据相同的字段来进行联结：userid
• 保留两边的全部数据，所以abcde全部存在
• 如果某边不存在键下面的某个值，则结果中用NaN补充。比如df1的userid中存在b，但是df3中不存在，则结果b对应的score为NaN，cd类似；e在df3中存在e的取值，但是df1中不存在，则age的值为NaN

left

以左边数据框中的键为基准；如果左边存在但是右边不存在，则右边用NaN表示

图解过程如下：

• 和上面图解过程的结果差别在于，没有出现e；
• 当how=“left”，只会保留df1（left）中userid下面的全部取值，不包含e

right

以右边数据框中的键的取值为基准；如果右边存在但是左边不存在，则左边用NaN表示

图解过程如下：

• 当how=“right”，只会保留df3（right）中userid的全部取值
• 结果只保留了df3的userid下面的全部取值：a、e

cross

笛卡尔积：两个数据框中的数据交叉匹配，出现n1*n2的数据量

笛卡尔积的图解过程如下：

• 出现的数据量是4*2，userid下面的数据交叉匹配
• 在最终结果中相同的字段userid为了避免混淆，会带上默认的后缀_x、_y

参数on

如果待连接的两个数据框有相同的键，则默认使用该相同的键进行联结。

上面的所有图解例子的参数on默认都是使用相同的键进行联结，所以有时候可省略。

再看个例子：

还可以将left和right的位置进行互换：

上面的两个例子都是针对数据框只有具有相同的一个键，如果不止通过一个键进行联结，该如何处理？通过一个来自官网的例子来解释，我们先创建两个DataFrame：df5、df6

现在进行两个数据框的合并：

合并的图解过程如下：

• 通过on参数指定两个连接的字段key1、key2
• 只有当两个数据框中的key1和key2的取值完全相同的时候（交集），才会保留下来；比如都出现了key1=K0,key2=K0和key1=K1,key2=K0。

在看一个通过how="outer"进行连接的案例：

看看图解的过程：

• 指定连接的两个键key1、key2
• 使用how=“outer”，会保留两个数据框中的全部数据。某个数据框中不存在键的值，则取NaN

参数left_on、right_on

上面在连接合并的时候，两个数据框之前都是有相同的字段，比如userid或者key1和key2。但是如何两个数据框中没有相同的键，但是这些键中的取值有相同的部分，比如我们的df1、df3：

在这个时候我们就使用left_on和right_on参数，分别指定两边的连接的键：

如果我们不指定，系统就会报错，因为这两个数据框是没有相同的键，本身是无法连接的：

参数suffixes

如果连接之后结果有相同的字段出现，默认后缀是_x_、_y。这个参数就是改变我们默认的后缀。我们回顾下笛卡尔积的形成；

现在我们可以指定想要的后缀：

indicator

这个参数的作用是表明生成的一条记录是来自哪个DataFrame：both、left_only、right_only

如果带上参数会显示一个新字段_merge：

不带上参数的话，默认是不会显示来源的，看默认的情况：

总结

merge函数真的是非常强大，在工作中也使用地很频繁，完全可以实现SQL中的join效果。希望本文的图解能够帮助读者理解这个合并函数的使用。同时pandas还有另外几个与合并相关的函数，比如：join、concat、append，会在下一篇文中统一讲解。