Pandas数据集的合并与连接merge()方法_Python数据分析与可视化

merge()解析

merge()可根据一个或者多个键将不同的DataFrame连接在一起，类似于SQL数据库中的合并操作。

数据连接的类型

• 一对一的连接：

df1 = pd.DataFrame({'employee': ['Bob', 'Jake', 'Lisa', 'Sue'], 'group': ['Accounting', 'Engineering', 'Engineering', 'HR']})
df2 = pd.DataFrame({'employee': ['Lisa', 'Bob', 'Jake', 'Sue'], 'hire_date': [2004, 2008, 2012, 2014]})
df3 = pd.merge(df1,df2)
df3

输出：

df3

• 多对一的连接：

df4 = pd.DataFrame({'group': ['Accounting', 'Engineering', 'HR'], 'supervisor': ['Carly', 'Guido', 'Steve']})
pd.merge(df3,df4) 

输出：

• 多对多连接：

df5 = pd.DataFrame({'group': ['Accounting', 'Accounting', 'Engineering', 'Engineering', 'HR', 'HR'], 'skills': ['math', 'spreadsheets', 'coding', 'linux', 'spreadsheets', 'organization']})
pd.merge(df1,df5)

输出：

merge()的主要参数

1. on 可以是列名字符串或者一个包含多列名称的列表；

pd.merge(df1, df2, on='employee')

输出：

这个参数只能在两个DataFrame有共同列名的时候才可以使用。

---

2. left_on与right_on参数

有时你也需要合并两个列名不同的数据集，例如前面的员工信息表中有一个字段不是employee而是name。在这种情况下，就可以用left_on和right_on参数来指定列名。

df3 = pd.DataFrame({'name': ['Bob', 'Jake', 'Lisa', 'Sue'], 'salary': [70000, 80000, 120000, 90000]})
dfx = pd.merge(df1,df3,left_on="employee",right_on="name")

输出：

---

drop()删除
如果出现重复列，但是列名不同时，可以使用drop方法将这列去掉；

dfx.drop("name",axis=1)

输出：

---

3. left_index与right_index参数 用于合并索引

df1a = df1.set_index('employee')
df2a = df2.set_index('employee')
pd.merge(df1a,df2a,left_index=True,right_index=True)

输出：

---

用join()方法也可以实现该功能：

df1a.join(df2a)

输出：

---

如果想将索引与列混合使用，那么可以通过结合left_index与 right_on，或者结合left_on与right_index来实现。

pd.merge(df1a, df3, left_index=True, right_on='name')

输出：

---

4. how参数

how参数默认情况下是inner，也就是取交集。how参数支持的数据连接方式还有outer、left和right。outer表示外连接，取并集。

df6 = pd.DataFrame({'name': ['Peter', 'Paul', 'Mary'], 'food': ['fish', 'beans', 'bread']}, columns=['name', 'food']) 
df7 = pd.DataFrame({'name': ['Mary', 'Joseph'], 'drink': ['wine', 'beer']}, columns=['name', 'drink'])
pd.merge(df6, df7, how='outer') 

输出：

---

左连接和右连接返回的结果分别只包含左列和右列；

pd.merge(df6, df7, how='left')

输出：

5. suffixes参数

如果输出结果中有两个重复的列名，因此pd.merge()函数会自动为它们增加后缀 _x 或 _y，当然也可以通过suffixes参数自定义后缀名。

df8 = pd.DataFrame({'name': ['Bob', 'Jake', 'Lisa', 'Sue'], 'rank': [1, 2, 3, 4]}) 
df9 = pd.DataFrame({'name': ['Bob', 'Jake', 'Lisa', 'Sue'], 'rank': [3, 1, 4, 2]})
pd.merge(df8, df9, on="name", suffixes=["_L", "_R"])

输出：

suffixes参数同样适用于任何连接方式，即使有三个及三个以上的重复列名时也同样适用。