根据我对左外连接的理解,生成的表应该永远不会有比左表更多的行...如果这是错误的请告诉我...
我的左表是192572行和8列。
我的右表是42160行和5列。
我的左表有一个名为' id'它与右表中的一列匹配,名为' key'。
因此我将它们合并为:
combined = pd.merge(a,b,how='left',left_on='id',right_on='key')
但结合的形状是236569。
我误解了什么?
答案 0 :(得分:68)
如果键与另一个DataFrame中的多行匹配,则可能会增加此值:
In [11]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])
In [12]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])
In [13]: df.merge(df2, how='left') # merges on columns A
Out[13]:
A B C
0 1 3 5
1 1 3 6
2 2 4 NaN
要避免df2中的此行为drop the duplicates:
In [21]: df2.drop_duplicates(subset=['A']) # you can use take_last=True
Out[21]:
A C
0 1 5
In [22]: df.merge(df2.drop_duplicates(subset=['A']), how='left')
Out[22]:
A B C
0 1 3 5
1 2 4 NaN
答案 1 :(得分:2)
还有一些策略可用于避免此行为,如果不是所有列都重复,则不会丢失重复数据。如果你有
In [1]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])
In [2]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])
一种方法是取副本的平均值(也可以取总和等......)
In [3]: df3 = df2.groupby('A').mean().reset_index()
In [4]: df3
Out[4]:
C
A
1 5.5
In [5]: merged = pd.merge(df,df3,on=['A'], how='outer')
In [6]: merged
Out[204]:
A B C
0 1 3 5.5
1 2 4 NaN
或者,如果您有使用pd.to_numeric()无法转换的非数字数据,或者您只是不想取均值,则可以通过枚举重复项来更改合并变量。但是,当两个数据集中存在重复项时,此策略将适用(这会导致相同的问题行为并且也是常见问题):
In [7]: df = pd.DataFrame([['a', 3], ['b', 4],['b',0]], columns=['A', 'B'])
In [8]: df2 = pd.DataFrame([['a', 3], ['b', 8],['b',5]], columns=['A', 'C'])
In [9]: df['count'] = df.groupby('A')['B'].cumcount()
In [10]: df['A'] = np.where(df['count']>0,df['A']+df['count'].astype(str),df['A'].astype(str))
In[11]: df
Out[11]:
A B count
0 a 3 0
1 b 4 0
2 b1 0 1
对df2执行相同操作,删除df和df2中的计数变量并合并'A':
In [16]: merged
Out[16]:
A B C
0 a 3 3
1 b 4 8
2 b1 0 5
一些笔记。在最后一种情况下,我使用.cumcount()而不是.duplicated,因为对于给定的观察,您可能会有多个副本。此外,我使用.astype(str)将计数值转换为字符串,因为我使用np.where()命令,但使用pd.concat()或其他可能允许不同的应用程序。
最后,如果只有一个数据集具有重复项,但您仍希望保留它们,则可以使用后一策略的前半部分来区分生成的合并中的重复项。
答案 2 :(得分:0)
给定答案的一个小补充是,有一个名为validate的参数,如果在右表中匹配重复的ID,则可以使用该参数引发错误:
combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')
答案 3 :(得分:0)
使用 drop_duplicates 在您的情况下将是:
merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()