Question

我经常使用范围条件将pandas用于合并（加入）。

例如，如果有2个数据帧：

A （A_id，A_value）

B （B_id，B_low，B_high，B_name）

它们很大并且大小相同（让每个人说2M记录）。

我想在A和B之间建立一个内连接，所以A_value将介于B_low和B_high之间。

使用SQL语法：

SELECT *
FROM A,B
WHERE A_value between B_low and B_high

这将非常容易，简短而有效。

同时在pandas中，唯一的方法（不使用我发现的循环）是在两个表中创建一个虚拟列，连接它（相当于交叉连接），然后过滤掉不需要的行。这听起来很沉重和复杂：

A['dummy'] = 1
B['dummy'] = 1
Temp = pd.merge(A,B,on='dummy')
Result = Temp[Temp.A_value.between(Temp.B_low,Temp.B_high)]

我的另一个解决方案是通过使用B[(x>=B.B_low) & (x<=B.B_high)]掩码在B上应用每个A值搜索函数，但它听起来也效率低，可能需要索引优化。

是否有更优雅和/或更有效的方法来执行此操作？

Answer 1

<强>设置
考虑数据框A和B

A = pd.DataFrame(dict(
        A_id=range(10),
        A_value=range(5, 105, 10)
    ))
B = pd.DataFrame(dict(
        B_id=range(5),
        B_low=[0, 30, 30, 46, 84],
        B_high=[10, 40, 50, 54, 84]
    ))

A

   A_id  A_value
0     0        5
1     1       15
2     2       25
3     3       35
4     4       45
5     5       55
6     6       65
7     7       75
8     8       85
9     9       95

B

   B_high  B_id  B_low
0      10     0      0
1      40     1     30
2      50     2     30
3      54     3     46
4      84     4     84

<强> numpy
✌easiest✌方式是使用numpy广播我们会查找A_value大于或等于B_low的每个实例，同时A_value小于或等于B_high。

a = A.A_value.values
bh = B.B_high.values
bl = B.B_low.values

i, j = np.where((a[:, None] >= bl) & (a[:, None] <= bh))

pd.DataFrame(
    np.column_stack([A.values[i], B.values[j]]),
    columns=A.columns.append(B.columns)
)

   A_id  A_value  B_high  B_id  B_low
0     0        5      10     0      0
1     3       35      40     1     30
2     3       35      50     2     30
3     4       45      50     2     30

为了解决这些评论并给出类似于左连接的内容，我附加了A不匹配的部分。

pd.DataFrame(
    np.column_stack([A.values[i], B.values[j]]),
    columns=A.columns.append(B.columns)
).append(
    A[~np.in1d(np.arange(len(A)), np.unique(i))],
    ignore_index=True, sort=False
)

    A_id  A_value  B_id  B_low  B_high
0      0        5   0.0    0.0    10.0
1      3       35   1.0   30.0    40.0
2      3       35   2.0   30.0    50.0
3      4       45   2.0   30.0    50.0
4      1       15   NaN    NaN     NaN
5      2       25   NaN    NaN     NaN
6      5       55   NaN    NaN     NaN
7      6       65   NaN    NaN     NaN
8      7       75   NaN    NaN     NaN
9      8       85   NaN    NaN     NaN
10     9       95   NaN    NaN     NaN

Answer 2

不确定效率更高，但是您可以直接使用sql（例如来自模块sqlite3）和pandas（灵感来自this question），如：

conn = sqlite3.connect(":memory:") 
df2 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1.to_sql("df1", conn, index=False)
df2.to_sql("df2", conn, index=False)
qry = "SELECT * FROM df1, df2 WHERE df1.col1 > 0 and df1.col1<0.5"
tt = pd.read_sql_query(qry,conn)

您可以根据需要在应用程序中调整查询

Answer 3

我不知道它有多高效，但有人编写了一个包装器，允许您将SQL语法与pandas对象一起使用。这叫做pandasql。该文档明确声明支持连接。这可能至少更容易阅读，因为SQL语法非常易读。

Answer 4

让我们举一个简单的例子：

df=pd.DataFrame([2,3,4,5,6],columns=['A'])

返回

现在让我们定义第二个数据框

df2=pd.DataFrame([1,6,2,3,5],columns=['B_low'])
df2['B_high']=[2,8,4,6,6]

结果

    B_low   B_high
0   1       2
1   6       8
2   2       4
3   3       6
4   5       6

我们走了;我们希望输出为索引3和A值5

df.where(df['A']>=df2['B_low']).where(df['A']<df2['B_high']).dropna()

结果

    A
3   5.0

Answer 5

请考虑您的A数据框是

A = pd.DataFrame([[0,2],[1,3],[2,4],[3,5],[4,6]],columns=['A_id', 'A_value'])

和B数据框是

B = pd.DataFrame([[0,1,2,'a'],[1,4,9,'b'],[2,2,5,'c'],[3,6,7,'d'],[4,8,9,'e']],columns=['B_id', 'B_low', 'B_high', 'B_name'])

使用以下方法，您将获得所需的输出

A = A[(A['A_value']>=B['B_low'])&(A['A_value']<=B['B_high'])]

在pandas中按范围加入/合并的最佳方式

5 个答案: