PANDAS 數據合並與重塑（join/merge篇）

merge

pandas的merge方法提供了一種類似於SQL的內存鏈接操作，官網文檔提到它的性能會比其他開源語言的數據操作（例如R）要高效。

和SQL語句的對比可以看這里

merge的參數

on：列名，join用來對齊的那一列的名字，用到這個參數的時候一定要保證左表和右表用來對齊的那一列都有相同的列名。

left_on：左表對齊的列，可以是列名，也可以是和dataframe同樣長度的arrays。

right_on：右表對齊的列，可以是列名，也可以是和dataframe同樣長度的arrays。

left_index/ right_index: 如果是True的haunted以index作為對齊的key

how：數據融合的方法。

sort：根據dataframe合並的keys按字典順序排序，默認是，如果置false可以提高表現。

merge的默認合並方法：
    merge用於表內部基於 index-on-index 和 index-on-column(s) 的合並，但默認是基於index來合並。

1.1 復合key的合並方法

使用merge的時候可以選擇多個key作為復合可以來對齊合並。

1.1.1 通過on指定數據合並對齊的列

In [41]: left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'], ....: 'key2': ['K0', 'K1', 'K0', 'K1'], ....: 'A': ['A0', 'A1', 'A2', 'A3'], ....: 'B': ['B0', 'B1', 'B2', 'B3']}) ....: In [42]: right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'], ....: 'key2': ['K0', 'K0', 'K0', 'K0'], ....: 'C': ['C0', 'C1', 'C2', 'C3'], ....: 'D': ['D0', 'D1', 'D2', 'D3']}) ....: In [43]: result = pd.merge(left, right, on=['key1', 'key2'])

 
沒有指定how的話默認使用inner方法。

how的方法有：

left

只保留左表的所有數據

In [44]: result = pd.merge(left, right, how='left', on=['key1', 'key2'])

right

只保留右表的所有數據

In [45]: result = pd.merge(left, right, how='right', on=['key1', 'key2'])

outer

保留兩個表的所有信息

In [46]: result = pd.merge(left, right, how='outer', on=['key1', 'key2'])

inner

只保留兩個表中公共部分的信息

In [47]: result = pd.merge(left, right, how='inner', on=['key1', 'key2'])

1.2 indicator

v0.17.0 版本的pandas開始還支持一個indicator的參數，如果置True的時候，輸出結果會增加一列 ’ _merge’。_merge列可以取三個值

1. left_only 只在左表中
2. right_only 只在右表中
3. both 兩個表中都有

1.3 join方法

dataframe內置的join方法是一種快速合並的方法。它默認以index作為對齊的列。

1.3.1 how 參數

join中的how參數和merge中的how參數一樣，用來指定表合並保留數據的規則。

具體可見前面的 how 說明。

1.3.2 on 參數

在實際應用中如果右表的索引值正是左表的某一列的值，這時可以通過將 右表的索引 和 左表的列 對齊合並這樣靈活的方式進行合並。

ex 1

In [59]: left = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'], ....: 'B': ['B0', 'B1', 'B2', 'B3'], ....: 'key': ['K0', 'K1', 'K0', 'K1']}) ....: In [60]: right = pd.DataFrame({'C': ['C0', 'C1'], ....: 'D': ['D0', 'D1']}, ....: index=['K0', 'K1']) ....: In [61]: result = left.join(right, on='key')

1.3.3 suffix后綴參數

如果和表合並的過程中遇到有一列兩個表都同名，但是值不同，合並的時候又都想保留下來，就可以用suffixes給每個表的重復列名增加后綴。

In [79]: result = pd.merge(left, right, on='k', suffixes=['_l', '_r']) 

*　另外還有lsuffix 和 rsuffix分別指定左表的后綴和右表的后綴。

1.4 組合多個dataframe

一次組合多個dataframe的時候可以傳入元素為dataframe的列表或者tuple。一次join多個，一次解決多次煩惱~

In [83]: right2 = pd.DataFrame({'v': [7, 8, 9]}, index=['K1', 'K1', 'K2']) In [84]: result = left.join([right, right2])

1.5 更新表的nan值

1.5.1 combine_first

如果一個表的nan值，在另一個表相同位置（相同索引和相同列）可以找到，則可以通過combine_first來更新數據

1.5.2 update

如果要用一張表中的數據來更新另一張表的數據則可以用update來實現

1.5.3 combine_first 和 update 的區別

使用combine_first會只更新左表的nan值。而update則會更新左表的所有能在右表中找到的值（兩表位置相對應）。