第六章 连接
一、关系型连接
1、连接的基本概念
把两张相关的表按照某一个或某一组键连接起来是一种常见操作,这个键十分重要,往往用on
参数表示。
另一个重要的要素是连接的形式,连接函数merge
和join
中提供了how
参数来代表连接方式,分为左连接left
、右连接right
、内连接inner
、外连接outer
,它们的区别可以用如下示意图表示:
左连接:以左边的键为准,如果右边表中的键存在于左边,则将该键在右边中的值添加到左表中,否则处理为缺失值。
右连接:以右边的键为准。
内连接:只合并两边同时出现的键。
外连接:包含在左边和右边出现的键。
如果两边出现部分重复的情况,就以笛卡尔积的方式加入,如上图所示,左表中张三出现两次,右表中张三也出现两次,那么逐个匹配,最后产生的表必然包含2*2个姓名为张三的行。
2、值连接
在上面示意图中的例子中,两张表根据某一列的值来连接,事实上也可以通过几列值的组合进行连接。
df1 = pd.DataFrame({'Name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({'Name':['Si Li','Wu Wang'], 'Gender':['F','M']})
df1.merge(df2, on='Name', how='left')
# Name Age Gender
# 0 San Zhang 20 NaN
# 1 Si Li 30 F
如果两个表中想要连接的列不具备相同的列名,可以通过left_on
和right_on
指定:
df1 = pd.DataFrame({'df1_name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({'df2_name':['Si Li','Wu Wang'], 'Gender':['F','M']})
df1.merge(df2, left_on='df1_name', right_on='df2_name', how='left')
# df1_name Age df2_name Gender
# 0 San Zhang 20 NaN NaN
# 1 Si Li 30 Si Li F
如果两个表中的列出现了重复的列名,那么可以通过suffixes
参数指定。例如合并考试成绩的时候,第一个表记录了语文成绩,第二个是数学成绩:
df1 = pd.DataFrame({'Name':['San Zhang'],'Grade':[70]})
df2 = pd.DataFrame({'Name':['San Zhang'],'Grade':[80]})
df1.merge(df2, on='Name', how='left', suffixes=['_Chinese','_Math'])
# Name Grade_Chinese Grade_Math
# 0 San Zhang 70 80
在某些时候出现重复元素是麻烦的,例如两位同学来自不同的班级,但是姓名相同,这种时候就要指定on
参数为多个列使得正确连接:
df1 = pd.DataFrame({'Name':['San Zhang', 'San Zhang'],
'Age':[20, 21],
'Class':['one', 'two']})
df2 = pd.DataFrame({'Name':['San Zhang', 'San Zhang'],
'Gender':['F', 'M'],
'Class':['two', 'one']})
df1
# Name Age Class
# 0 San Zhang 20 one
# 1 San Zhang 21 two
df2
# Name Gender Class
# 0 San Zhang F two
# 1 San Zhang M one
df1.merge(df2, on='Name', how='left') # 错误的结果
# Name Age Class_x Gender Class_y
# 0 San Zhang 20 one F two
# 1 San Zhang 20 one M one
# 2 San Zhang 21 two F two
# 3 San Zhang 21 two M one
df1.merge(df2, on=['Name', 'Class'], how='left') # 正确的结果
# Name Age Class Gender
# 0 San Zhang 20 one M
# 1 San Zhang 21 two F
从上面的例子来看,在进行基于唯一性的连接下,如果键不是唯一的,那么结果就会产生问题。举例中的行数很少,但如果实际数据中有几十万到上百万行的进行合并时,如果想要保证唯一性,除了用duplicated
检查是否重复外,merge
中也提供了validate
参数来检查连接的唯一性模式。这里共有三种模式,即一对一连接1:1
,一对多连接1:m
,多对一连接m:1
连接,第一个是指左右表的键都是唯一的,后面两个分别指左表键唯一和右表键唯一。
【练一练】
上面以多列为键的例子中,错误写法显然是一种多对多连接,而正确写法是一对一连接,请修改原表,使得以多列为键的正确写法能够通过validate='1:m'
的检验,但不能通过validate='m:1'
的检验。
能够通过validate='1:m'
的检验,但不能通过validate='m:1'
的检验,说明左表键唯一但右表键不唯一。
df2 = pd.DataFrame({'Name':['San Zhang', 'San Zhang'],
'Gender':['F', 'M'],
'Class':['one', 'one']})
df1.merge(df2, on=['Name', 'Class'], how='left',validate='1:m')
# Name Age Class Gender
# 0 San Zhang 20 one F
# 1 San Zhang 20 one M
# 2 San Zhang 21 two NaN
df1.merge(df2, on=['Name', 'Class'], how='left',validate='m:1')
# Merge keys are not unique in right dataset; not a many-to-one merge
3、索引连接
所谓索引连接,就是把索引当作键,因此这和值连接本质上没有区别,pandas
中利用join
函数来处理索引连接,它的参数选择要少于merge
,除了必须的on
和how
之外,可以对重复的列指定左右后缀lsuffix
和rsuffix
。其中,on
参数指索引名,单层索引时省略参数表示按照当前索引连接。
df1 = pd.DataFrame({'Age':[20,30]}, index=pd.Series(['San Zhang','Si Li'],name='Name'))
df2 = pd.DataFrame({'Gender':['F','M']}, index=pd.Series(['Si Li','Wu Wang'],name='Name'))
df1.join(df2, how='left')
# Age Gender
# Name
# San Zhang 20 NaN
# Si Li 30 F
仿照第二小节的例子,写出语文和数学分数合并的join
版本:
df1 = pd.DataFrame({'Grade':[70]}, index=pd.Series(['San Zhang'], name='Name'))
df2 = pd.DataFrame({'Grade':[80]}, index=pd.Series(['San Zhang'], name='Name'))
df1.join(df2, how='left', lsuffix='_Chinese', rsuffix='_Math')
# Grade_Chinese Grade_Math
# Name
# San Zhang 70 80
如果想要进行类似于merge
中以多列为键的操作的时候,join
需要使用多级索引,例如在merge
中的最后一个例子可以如下写出:
df1 = pd.DataFrame({'Age':[20,21]}, index=pd.MultiIndex.from_arrays([['San Zhang', 'San Zhang'],['one', 'two']], names=('Name','Class')))
df2 = pd.DataFrame({'Gender':['F', 'M']}, index=pd.MultiIndex.from_arrays([['San Zhang', 'San Zhang'],['two', 'one']], names=('Name','Class')))
df1
# Age
# Name Class
# San Zhang one 20
# two 21
df2
# Gender
# Name Class
# San Zhang two F
# one M
df1.join(df2)
# Age Gender
# Name Class
# San Zhang one 20 M
# two 21 F
二、方向连接
1、concat
有时候用户并不关心噫哪一列为键来合并,只是希望把两个表或多个表按照纵向或横向进行拼接,pandas中提供了concat
函数来实现。
在concat
中,最常用的有三个参数,它们是axis, join, keys
,分别表示拼接方向,连接形式,以及在新表中指示来自于哪一张旧表的名字。这里需要特别注意,join
和keys
与之前提到的join
函数和键的概念没有任何关系。
在默认状态下的axis=0
,表示纵向拼接多个表,常常用于多个样本的拼接;而axis=1
表示横向拼接多个表,常用于多个字段或特征的拼接。
例如,纵向合并各表中人的信息:
df1 = pd.DataFrame({'Name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({'Name':['Wu Wang'], 'Age':[40]})
pd.concat([df1, df2])
# Name Age
# 0 San Zhang 20
# 1 Si Li 30
# 0 Wu Wang 40
横向合并各表中的字段:
df2 = pd.DataFrame({'Grade':[80, 90]})
df3 = pd.DataFrame({'Gender':['M', 'F']})
pd.concat([df1, df2, df3], 1)
# Name Age Grade Gender
# 0 San Zhang 20 80 M
# 1 Si Li 30 90 F
concat
仍然是关于索引进行连接的。纵向拼接会根据列索引对齐,默认状态下join=outer
,表示保留所有的列,并将不存在的值设为缺失;
join=inner
,表示保留两个表都出现过的列。横向拼接则根据行索引进行对齐,join
参数可以类似设置。
df2 = pd.DataFrame({'Name':['Wu Wang'], 'Gender':['M']})
pd.concat([df1, df2])
# Name Age Gender
# 0 San Zhang 20.0 NaN
# 1 Si Li 30.0 NaN
# 0 Wu Wang NaN M
df2 = pd.DataFrame({'Grade':[80, 90]}, index=[1, 2])
pd.concat([df1, df2], 1)
# Name Age Grade
# 0 San Zhang 20.0 NaN
# 1 Si Li 30.0 80.0
# 2 NaN NaN 90.0
pd.concat([df1, df2], axis=1, join='inner')
# Name Age Grade
# 1 Si Li 30 80
因此,当确认要使用多表直接的方向合并时,尤其是横向的合并,可以先用reset_index
方法恢复默认整数索引再进行合并,防止出现由索引的误对齐和重复索引的笛卡尔积带来的错误结果。
最后,keys
参数的使用场景在于多个表合并后,用户仍然想要知道新表中的数据来自于哪个原表,这时可以通过keys
参数产生多级索引进行标记。例如,第一个表中都是一班的同学,而第二个表中都是二班的同学,可以使用如下方式合并:
df1 = pd.DataFrame({'Name':['San Zhang','Si Li'], 'Age':[20,21]})
df2 = pd.DataFrame({'Name':['Wu Wang'],'Age':[21]})
pd.concat([df1, df2], keys=['one', 'two'])
# Name Age
# one 0 San Zhang 20
# 1 Si Li 21
# two 0 Wu Wang 21
2. 序列与表的合并
利用concat
可以实现多个表之间的方向拼接,如果想要把一个序列追加到表的行末或者列末,则可以分别使用append
和assign
方法。
在append
中,如果原表是默认整数序列的索引,那么可以使用ignore_index=True
对新序列对应索引的自动标号,否则必须对Series
指定name
属性。
s = pd.Series(['Wu Wang', 21], index = df1.columns)
df1.append(s, ignore_index=True)
# Name Age
# 0 San Zhang 20
# 1 Si Li 21
# 2 Wu Wang 21
对于assign
而言,虽然可以利用其添加新的列,但一般通过df['new_col'] = ...
的形式就可以等价地添加新列。同时,使用[]
修改的缺点是它会直接在原表上进行改动,而assign
返回的是一个临时副本:
s = pd.Series([80, 90])
df1.assign(Grade=s)
# Name Age Grade
# 0 San Zhang 20 80
# 1 Si Li 21 90
df1['Grade'] = s
df1
# Name Age Grade
# 0 San Zhang 20 80
# 1 Si Li 21 90
三、类连接操作
除了上述介绍的若干连接函数之外,pandas
中还设计了一些函数能够对两个表进行某些操作,这里把它们统称为类连接操作。
1. 比较
compare
是在1.1.0
后引入的新函数,它能够比较两个表或者序列的不同处并将其汇总展示:
df1 = pd.DataFrame({'Name':['San Zhang', 'Si Li', 'Wu Wang'],
'Age':[20, 21 ,21],
'Class':['one', 'two', 'three']})
df2 = pd.DataFrame({'Name':['San Zhang', 'Li Si', 'Wu Wang'],
'Age':[20, 21 ,21],
'Class':['one', 'two', 'Three']})
df1.compare(df2)
# Name Class
# self other self other
# 1 Si Li Li Si NaN NaN
# 2 NaN NaN three Three
结果中返回了不同值所在的行列,如果相同则会被填充为缺失值NaN
,其中other
和self
分别指代传入的参数表和被调用的表自身。
如果想要完整显示表中所有元素的比较情况,可以设置keep_shape=True
:
df1.compare(df2, keep_shape=True)
# Name Age Class
# self other self other self other
# 0 NaN NaN NaN NaN NaN NaN
# 1 Si Li Li Si NaN NaN NaN NaN
# 2 NaN NaN NaN NaN three Three
2. 组合
combine
函数能够让两张表按照一定的规则进行组合,在进行规则比较时会自动进行列索引的对齐。对于传入的函数而言,每一次操作中输入的参数是来自两个表的同名Series
,依次传入的列是两个表列名的并集,例如下面这个例子会依次传入A,B,C,D
四组序列,每组为左右表的两个序列。同时,进行A
列比较的时候,s1
指代的就是一个全空的序列,因为它在被调用的表中并不存在,并且来自第一个表的序列索引会被reindex
成两个索引的并集。具体的过程可以通过在传入的函数中插入适当的print
方法查看。
下面的例子表示选出对应索引位置较小的元素:
def choose_min(s1, s2):
s2 = s2.reindex_like(s1)
res = s1.where(s1<s2, s2)
res = res.mask(s1.isna()) # isna表示是否为缺失值,返回布尔序列
return res
df1 = pd.DataFrame({'A':[1,2], 'B':[3,4], 'C':[5,6]})
df2 = pd.DataFrame({'B':[5,6], 'C':[7,8], 'D':[9,10]}, index=[1,2])
df1.combine(df2, choose_min)
# A B C D
# 0 NaN NaN NaN NaN
# 1 NaN 4.0 6.0 NaN
# 2 NaN NaN NaN NaN
【练一练】
请在上述代码的基础上修改,保留df2
中4个未被df1
替换的相应位置原始值。
def choose_min(s1, s2):
s2 = s2.reindex_like(s1)
res = s1.where(s1<s2, s2)
# res = res.mask(s1.isna()) # isna表示是否为缺失值,返回布尔序列
return res
df1 = pd.DataFrame({'A':[1,2], 'B':[3,4], 'C':[5,6]})
df2 = pd.DataFrame({'B':[5,6], 'C':[7,8], 'D':[9,10]}, index=[1,2])
df1.combine(df2, choose_min)
# A B C D
# 0 NaN NaN NaN NaN
# 1 NaN 4.0 6.0 9.0
# 2 NaN 6.0 8.0 10.0
此外,设置overtwrite
参数为False
可以保留被调用表被调用表中未出现在传入的参数表中的列,而不会设置未缺失值:
# A B C D
# 0 1.0 NaN NaN NaN
# 1 2.0 4.0 6.0 9.0
# 2 NaN 6.0 8.0 10.0
【练一练】
除了combine
之外,pandas
中还有一个combine_first
方法,其功能是在对两张表组合时,若第二张表中的值在第一张表中对应索引位置的值不是缺失状态,那么就使用第一张表的值填充。下面给出一个例子,请用combine
函数完成相同的功能。
df1 = pd.DataFrame({'A':[1,2], 'B':[3,np.nan]})
df2 = pd.DataFrame({'A':[5,6], 'B':[7,8]}, index=[1,2])
df1.combine_first(df2)
# A B
# 0 1.0 3.0
# 1 2.0 7.0
# 2 6.0 8.0