Question

我有一组带有数值和部分重叠索引的DataFrame。如果索引出现在多个DataFrame中，我想将它们合并为平均值。

import pandas as pd
import numpy as np

df1 = pd.DataFrame([1,2,3], columns=['col'], index=['a','b','c'])
df2 = pd.DataFrame([4,5,6], columns=['col'], index=['b','c','d'])

这给了我两个DataFrame：

   col            col
a    1        b     4
b    2        c     5
c    3        d     6

现在我想合并DataFrames并取每个索引的均值（如果适用，即如果它出现多次）。

应该是这样的：

我可以使用一些高级合并/加入吗？

Answer 1

类似的东西：

df3 = pd.concat((df1, df2))
df3.groupby(df3.index).mean()

#    col
# a    1
# b    3
# c    4
# d    6

或其他方式，如@unutbu回答：

pd.concat((df1, df2), axis=1).mean(axis=1)

Answer 2

In [22]: pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1)
Out[23]: 
a    1
b    3
c    4
d    6
dtype: float64

关于Roman的问题，我发现IPython的%timeit命令可以方便地对代码进行基准测试：

In [28]: %timeit df3 = pd.concat((df1, df2)); df3.groupby(df3.index).mean()
1000 loops, best of 3: 617 µs per loop

In [29]: %timeit pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1)
1000 loops, best of 3: 577 µs per loop

In [39]: %timeit pd.concat((df1, df2), axis=1).mean(axis=1)
1000 loops, best of 3: 524 µs per loop

在这种情况下，pd.concat(...).mean(...)变得更快一些。但实际上我们应该测试更大的数据帧以获得更有意义的基准。

顺便说一句，如果您不想安装IPython，可以使用Python's timeit module运行等效的基准测试。它需要更多的设置。 docs has some examples显示了如何执行此操作。

请注意，如果df1或df2的索引中包含重复条目，例如：

N = 1000
df1 = pd.DataFrame([1,2,3]*N, columns=['col'], index=['a','b','c']*N)
df2 = pd.DataFrame([4,5,6]*N, columns=['col'], index=['b','c','d']*N)

然后这三个答案给出了不同的结果：

In [56]: df3 = pd.concat((df1, df2)); df3.groupby(df3.index).mean()
Out[56]: 
   col
a    1
b    3
c    4
d    6

pd.merge可能没有给出你想要的那种答案：

In [58]: len(pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1))
Out[58]: 2002000

虽然pd.concat((df1, df2), axis=1)引发了一个ValueError：

In [48]: pd.concat((df1, df2), axis=1)
ValueError: cannot reindex from a duplicate axis

使用均值在Pandas中合并DataFrame

2 个答案: