【Python】挑战SQL：图解Pandas的数据合并merge

公众号：尤而小屋
作者：Peter
编辑：Peter

在实际的业务需求中，我们的数据可能存在于不同的库表中。很多情况下，我们需要进行多表的连接查询来实现数据的提取，通过SQL的join，比如left join、left join、inner join等来实现。

在pandas中也有实现合并功能的函数，比如：concat、append、join、merge。本文中重点介绍的是merge函数，也是pandas中最为重要的一个实现数据合并的函数。

看完了你会放弃SQL吗？

Pandas连载文章

目前Pandas系列文章已经更新了13篇，文章都是以丰富案例+图解的风格，欢迎大家访问阅读。有很多个人推荐的文章：

图解Pandas重复值处理

图解Pandas的排序机制sort_values

图解Pandas的排名rank机制

图解Pandas的groupby机制

数据处理基石：数据探索

创建DataFrame：10种方式任你选

参数

官网学习地址：https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html#

pd.merge(left,   # 待合并的2个数据框right, how='inner',  # ‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’on=None, # 连接的键，默认是相同的键left_on=None,  # 指定不同的连接字段：键不同，但是键的取值有相同的内容right_on=None, left_index=False,   # 根据索引来连接right_index=False, sort=False, # 是否排序suffixes=('_x', '_y'),   # 改变后缀copy=True, indicator=False,   # 显示字段来源validate=None)

参数的具体解释为：

left、right：待合并的数据帧
how：合并的方式，有5种：{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, 默认是 ‘inner’

1、 left：左连接，保留left的全部数据；right类似；类比于SQL的left join 或者right join

2、outer：全连接功能，类似SQL的full outer join

3、inner：交叉连接，类比于SQL的inner join

4、cross：创建两个数据帧DataFrame的笛卡尔积，默认保留左边的顺序
on：连接的列属性；默认是两个DataFrame的相同字段
left_on/right_on：指定两个不同的键进行联结
left_index、right_index：通过索引进行合并
suffixes：指定我们自己想要的后缀
indictor：显示字段的来源

模拟数据

我们创建了4个DataFrame数据框；其中df1和df2、df3是具有相同的键userid；df4有类似的键userid1，取值也是ac，和df1或df2的userid取值有相同的部分。

import pandas as pd
import numpy as np

参数left、right

left、how就是需要连接的两个数据帧，一般有两种写法：

pd.merge(left,right)，个人习惯
left.merge(right)

图解过程如下：

两个数据框df1（left）、df2（right）有相同的字段userid
默认是通过相同的字段（键）进行关联，取出键中相同的值（ac），而且每个键的记录要全部显示，比如a有多条记录

参数how

inner

inner称之为内连接。它会直接根据相同的列属性userid进行关联，取出属性下面相同的数据信息a、c

⚠️上面的图解过程就是默认的使用how="inner"

outer

outer称之为外连接，在拼接的过程中会取两个数据框中键的并集进行拼接

外连接，取出全部交集键的并集。例子中是user的并集
如果某个键在某个数据框中不存在数据，则为NaN

图解过程如下：

也是根据相同的字段来进行连结：userid
保留两边的全部数据，所以abcde全部存在
如果某边不存在键下面的某个值，则结果中用NaN补充。比如df1的userid中存在b，但是df3中不存在，则结果b对应的score为NaN，cd类似；e在df3中存在e的取值，但是df1中不存在，则age的值为NaN

left

以左边数据框中的键为基准；如果左边存在但是右边不存在，则右边用NaN表示

图解过程如下：

和上面图解过程的结果差别在于，没有出现e；
当how="left"，只会保留df1（left）中userid下面的全部取值，不包含e

right

以右边数据框中的键的取值为基准；如果右边存在但是左边不存在，则左边用NaN表示

image-20210724095138183

图解过程如下：

当how="right"，只会保留df3（right）中userid的全部取值
结果只保留了df3的userid下面的全部取值：a、e

cross

笛卡尔积：两个数据框中的数据交叉匹配，出现n1*n2的数据量

笛卡尔积的图解过程如下：

出现的数据量是4*2，userid下面的数据交叉匹配
在最终结果中相同的字段userid为了避免混淆，会带上默认的后缀_x、_y

参数on

如果待连接的两个数据框有相同的键，则默认使用该相同的键进行联结。

上面的所有图解例子的参数on默认都是使用相同的键进行联结，所以有时候可省略。

再看个例子：

还可以将left和right的位置进行互换：

上面的两个例子都是针对数据框只有具有相同的一个键，如果不止通过一个键进行联结，该如何处理？通过一个来自官网的例子来解释，我们先创建两个DataFrame：df5、df6

现在进行两个数据框的合并：

合并的图解过程如下：

通过on参数指定两个连接的字段key1、key2
只有当两个数据框中的key1和key2的取值完全相同的时候（交集），才会保留下来；比如都出现了key1=K0,key2=K0和key1=K1,key2=K0。

在看一个通过how="outer"进行连接的案例：

看看图解的过程：

指定连接的两个键key1、key2
使用how="outer"，会保留两个数据框中的全部数据。某个数据框中不存在键的值，则取NaN

参数left_on、right_on

上面在连接合并的时候，两个数据框之前都是有相同的字段，比如userid或者key1和key2。但是如何两个数据框中没有相同的键，但是这些键中的取值有相同的部分，比如我们的df1、df3：

在这个时候我们就使用left_on和right_on参数，分别指定两边连接的键：

如果我们不指定，系统就会报错，因为这两个数据框是没有相同的键，本身是无法连接的：

参数suffixes

如果连接之后结果有相同的字段出现，默认后缀是_x_、_y。这个参数就是改变我们默认的后缀。我们回顾下笛卡尔积的形成；

现在我们可以指定想要的后缀：

indicator

这个参数的作用是表明生成的一条记录是来自哪个DataFrame：both、left_only、right_only

如果带上参数会显示一个新字段_merge：

不带上参数的话，默认是不会显示来源的，看默认的情况：

总结

merge函数真的是非常强大，在工作中也使用地很频繁，完全可以实现SQL中的join效果。希望本文的图解能够帮助读者理解并掌握这个合并函数的使用。同时pandas还有另外几个与合并相关的函数，比如：join、concat、append，会在下一篇文中统一讲解。


往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑黄海广老师《机器学习课程》课件合集
本站qq群851320808，加入微信群请扫码：