查看原文
其他

挑战SQL:图解Pandas的数据合并merge

Peter 尤而小屋 2022-05-28

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,文章都是以丰富案例+图解的风格,欢迎大家访问阅读。有很多个人推荐的文章:

图解Pandas重复值处理

图解Pandas的排序机制sort_values

图解Pandas的排名rank机制

图解Pandas的groupby机制

数据处理基石:数据探索

创建DataFrame:10种方式任你选

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连结: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

image-20210724095138183

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并掌握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。


推荐阅读


Python入门-列表初相识

数据分析师=7大主题,24份资料

生日快乐:尤而小屋两周岁啦

55个案例:吃透Python字符串格式化

Python入门-字符串初相识

尤而小屋,一个温馨的小屋。小屋主人,一手代码谋求生存,一手掌勺享受生活,欢迎你的光临

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存