Question

我是在python中使用熊猫的新手，而我在使用python方面有丰富的知识。

我有两个数据框，必须从中获取匹配记录和不匹配记录到新数据框中。

示例：

DF1：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 450000

DF2：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

而且，这里的主键是ID和名称（实际上，键的数量可能有所不同），我需要获取

Match_df：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999

Mismatch_df：

ID Name Number    DOB     Salary
4  DDD  1237   05-09-2000 540000

我尝试了所有可能的方法，例如

pd.merge(df1, df2, left_on=[ID,Name],right_on=[ID,Name], how='inner')

，这将产生两个数据帧中的所有唯一键。但这也会产生不匹配的记录。

但是我得到这个结果：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

第4条记录也包括在内。

在这里，只有薪水上校在变化，但是在实时情况下，它可能是要比较的上校列表。

由此，我必须仅将匹配的记录获取到matched_df，将不匹配的记录获取到mismatch_df。

请帮助我。

注意：我的数据集可能是一个庞大的数据集（两个数据集中都有1亿条记录），因此，请给我一种有效的方法来减少执行时间。

谢谢。

Answer 1

我的解决方案会有所不同，将涉及简单地从其他数据集中复制薪水。

例如：

DF1["Salary2"] = DF2["Salary"]

MatchDF = DF1[DF1["Salary"] == DF1["Salary2"]]
MisMatchDF = DF1[DF1["Salary"] != DF1["Salary2"]]

Answer 2

简单的答案是使用df1.where：

注意：生成的NaN单元格不满足条件，即，在两个数据帧中它们不相等。具有实际值的是在两个数据帧中相等的那些

>>> df1.where(df1.Salary==df2.Salary)
          DoB   ID  Name    Salary
0  12-05-1996  1    AAA  100000.0
1  16-08-1997  2    BBB  200000.0
2  24-04-1998  3    CCC  389999.0
3         NaN  NaN  NaN       NaN

与pd.merge一起使用时：如果只想合并没有列或索引级别的df1和df1，则它将默认使用两个DataFrame中列的交集。

>>> pd.merge(df1, df2)
          DoB  ID Name  Salary
0  12-05-1996   1  AAA  100000
1  16-08-1997   2  BBB  200000
2  24-04-1998   3  CCC  389999

如果您希望加入列或索引级别，请使用on。

 >>> pd.merge(df1, df2, on="Salary")
        DoB_x  ID_x Name_x  Salary       DoB_y  ID_y Name_y
0  12-05-1996     1    AAA  100000  12-05-1996     1    AAA
1  16-08-1997     2    BBB  200000  16-08-1997     2    BBB
2  24-04-1998     3    CCC  389999  24-04-1998     3    CCC

对于df2中的不匹配：，您可以选择isin(dict)方法：

>>> df2[~df2.isin(df1.to_dict('l')).all(1)]
          DoB  ID Name  Salary
3  05-09-2000   4  DDD  540000

Mabel给出的另一种方式。

df2[~df2.isin(df1).all(axis=1)]

Answer 3

要获得比赛：

>> df1.merge(df2)

ID Name  Number         DOB  Salary
0   1  AAA    1234  12-05-1996  100000
1   2  BBB    1235  16-08-1997  200000
2   3  CCC    1236  24-04-1998  389999

对于不匹配，请选择df2中的行：

>> df2[~df2.isin(df1).all(axis=1)]

   Name  Number         DOB  Salary
ID                                 
4   DDD    1237  05-09-2000  540000

Answer 4

# pick index keys and compare column(s)
keys = ['ID', 'Name']
# if comparing all columns:
col_list = [col for col in df1.columns if col not in keys]
# # if comparing specific columns:
# col_list = ['Salary', 'DOB']

# extend keys with col_list for next step
sel_cols = keys.copy()
sel_cols.extend(col_list)

# set a multi-index with keys
# to dataframes with col_list columns
dfa = df1[sel_cols].set_index(keys)
dfb = df2[sel_cols].set_index(keys)

# make an equivalency boolean mask
dfa.update(dfb)
mask = np.equal(df1[col_list].values, dfa.values).all(axis=1)

# slice df1 with mask
Match_df = df1[mask]
Mismatch_df = df1[~mask]

python pandas-获取两个数据框之间的匹配和不匹配记录

4 个答案: