Question

我有两个数据框。第一个包含有关订单的数据：df_1，其列['uid'，'revenue'，'order_day']有50415行。第二个包含有关访问的信息：df_2，列['uid'，'source'，'session_day']包含358532行。我想从访问者的数据框中获取客户来源。我试图通过两列合并数据帧：result = df_1.merge(df_2, how=left ,left_on=['uid','order_day'],right_on=['uid','session_day'])但是结果是我得到62369行，并且'revenue'列的总和增加了。我不明白为什么会这样。当我写how='left'时，我希望左边的df_1不变，并且将添加df_2中'uid'和'..._day'中相似的行。有人可以向我解释为什么我没有得到预期的结果，我应该怎么做？感谢您的任何评论

Answer 1

合并结果中的行数超过 df_1 中的行数可以在以下示例中进行解释：

df_1 包含2行：

   uid  revenue   order_day
0  111   200.01  2019-09-01
1  111   300.00  2019-09-02

df_2 包含5行：

   uid  source session_day
0  111   100.0  2019-09-01
1  111   200.0  2019-09-01
2  111   300.0  2019-09-02
3  111   400.5  2019-09-02
4  222   100.0  2019-09-03

请注意，其中包含：

两行，其中 uid == 111 和 session_day == 2019-09-01 ，它将与 df_1 中索引为 0 的行合并。
两行，其中 uid == 111 和 session_day == 2019-09-02 ，它将与 df_1 中索引为 1 的行合并。

这就是为什么合并的结果是：

   uid  revenue   order_day  source session_day
0  111   200.01  2019-09-01   100.0  2019-09-01
1  111   200.01  2019-09-01   200.0  2019-09-01
2  111   300.00  2019-09-02   300.0  2019-09-02
3  111   300.00  2019-09-02   400.5  2019-09-02

可能您认为合并是通过以下方式执行的：

从 df_1 行。
在 df_2 中查找具有匹配联接列的单行。
如果找到，则将合并结果（针对这两行）添加到结果中。
对于从 df_1 开始的以下行重复整个过程。

实际上，“左”合并是通过其他方式执行的：

从 df_1 中取一行（我们称其为基本行）。
对于 df_2 中的每行行，该行具有匹配的连接列（如果找到）在结果中生成一行，该行包括：
- 内容（来自 df_1 ）
- 当前行的内容（来自 df_2 ）。

如果您要合并 df_1 中的每一行与最多1行 在 df_2 中，您必须从 df_2 中的 drop_duplacates 开始，并使用 subset 包含合并列。

如何一次合并两列的数据框

1 个答案: