Question

目前，我正在抓取亚马逊网站上的一些数据。我遇到的问题是我无法真正从同一页面上获取产品的所有数据。

我最终得到的是2个文件，这些文件的列标题相同，但列本身的数据不同。除了小东西以外，我几乎从未使用过熊猫，所以我对该地区的知识不是那么广。

例如，在一个.csv文件中，产品具有带有信息的“代码”，“名称”，“ url”，“大小”，而在另一个文件中，产品具有“代码”，“价格”，“ image1”，“ image2”，依此类推。

如果file2中的代码与file1中的代码相同，则最好的方法是将file2中的数据粘贴到file1（或仅创建一个新文件）。我可能会使用成千上万种不同的产品代码，所以越有效的方法越好。

下面我将链接两个文件作为示例

文件1：https://ufile.io/oojru

文件2：https://ufile.io/cytmq

我将上面的一些数据写成文本（不要使用所有标题，因为看起来不太好

文件1

categoriaProducto codigoEspecifico codigoGenerico nombreProducto precioProducto

-                 B072L7PVNQ       -              -              price1
-                 B01D9FKME6       -              -              price2
-                 B077Z5ST3P       -              -              price3
-                 B00KLMFUKC       -              -              price4

文件2

 categoriaProducto codigoEspecifico codigoGenerico nombreProducto precioProducto

Clothing          B072L7PVNQ       86K5PBAH       name1              -
Clothing          B01D9FKME6       86K5PBAH       name2              -
Clothing          B077Z5ST3P       86K5PBAH       name3              -
Clothing          B00KLMFUKC       86K5PBAH       name4              -

对于上载的文件和文本，代码的顺序相同。值得注意的是，事实并非如此。

我还要补充一点，如果产品代码出现在文件1中，则该代码也将出现在文件2中，但反之则不行。

我尝试根据file1数据创建一个新列，并将该列粘贴到file2 dataFrame中，然后保存该文件。但是后来我发现代码可能不正确，所以这种方式行不通。

编辑：我对自己想要的内容并不清楚，很抱歉。我想要得到的结果是这样的

 categoriaProducto codigoEspecifico codigoGenerico nombreProducto precioProducto

Clothing          B072L7PVNQ       86K5PBAH       name1          price1
Clothing          B01D9FKME6       86K5PBAH       name2          price2
Clothing          B077Z5ST3P       86K5PBAH       name3          price3
Clothing          B00KLMFUKC       86K5PBAH       name4          price4

Answer 1

我相信您需要dropna才能删除combine_first的NaN行：

df1= pd.read_csv('example1.csv')
df2= pd.read_csv('example2.csv')

df1 = df1.set_index('codigoEspecificoProducto').dropna(how='all')
df2 = df2.set_index('codigoEspecificoProducto').dropna(how='all')
df = df1.combine_first(df2)

Answer 2

我将两个文件都放入pandas数据框中，然后使用dropduplicates方法。 https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.drop_duplicates.html

您可以指定要查找其重复项的列。默认情况下，所有列都必须匹配以标记重复项。但这是可配置的。

然后您可以将其保存到单个csv文件

合并两个文件中具有相同列值的行

2 个答案: