pandas学习笔记(六) —连接
关系型连接
1.连接的基本概念
连接的两个重要要素：
键：用on参数，将两张相关的表按照某一个或某一组键连接起来是一种操作。
连接的形式：在pandas中的关系型连接函数merge和join中提供了how参数来代表连接的形式，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：
如果出现重复的键应该如何处理？只需把握一个原则，即只要两边同时出现的值，就以笛卡尔积的方式加入；如果单边出现则根据连接形式进行处理。
笛卡尔积的说明：设左表中键 张三 出现两次，右表中的 张三 也出现两次，那么逐个进行匹配，最后产生的表必然包含 2*2 个姓名为 张三 的行。下面是一个对应例子的示意图：
2.值链接
基于值的连接可以用merge函数实现，列如第一张图的左连接：
df1 = pd.DataFrame({'Name':['San Zhang','Si Li'],'Age':[20,30]})
df1
Out[5]:
Name Age
0 San Zhang 20
1 Si Li 30
df2 = pd.DataFrame({'Name':['Si Li','Wu Wang'],'Gender':['F','M']})
df2
Out[7]:
Name Gender
0 Si Li F
1 Wu Wang M
df1.merge(df2,on='Name',how='left')
Out[8]:
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')
Out[11]:
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'])
Out[19]:
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
Out[22]:
Name Age Class
0 San Zhang 20 one
1 San Zhang 21 two
df2
Out[23]:
Name Gender Class
0 San Zhang F two
1 San Zhang M one
df1.merge(df2, on='Name', how='left')# 错误的操作
Out[24]:
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')# 正确的操作
Out[25]:
Name Age Class Gender
0 San Zhang 20 one M
1 San Zhang 21 two F
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：
- 一对一连接
1:1 ：指左右表的键都是唯一的 - 一对多连接
1:m ：指左表键唯一 - 多对一连接
m:1：指右表键唯一
3.索引连接
索引连接：把索引当作键，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')
Out[28]:
Age Gender
Name
San Zhang 20 NaN
Si Li 30 F
使用 join 让语文和数学分数合并：
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')
Out[33]:
Grade_Chinese Grade_Math
Name
San Zhang 70 80
join 使用多级索引，类似于 merge 中以多列为键的操作：
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
Out[38]:
Age
Name Class
San Zhang one 20
two 21
df2
Out[39]:
Gender
Name Class
San Zhang two F
one M
df1.join(df2)
Out[40]:
Age Gender
Name Class
San Zhang one 20 M
two 21 F
方向连接
1.concat
关系型连接，以某一列或者多列为键来合并，其中最重要的参数是 on 和 how 。但有时候把两个表或者多个表按照纵向或横向拼接，pandas 中提供了 concat 函数来实现。
在 concat 中，最常用的有三个参数：
-
axis ：表示拼接方向，在默认状态下的axis=0，表示纵向拼接多个表，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 -
join ：表示连接形式 -
keys: 表示在新表中指示来自于哪一张旧表的名字
注意： 这里的join 和 keys 与上面的 join 函数和键的概念没有任何关系。
df1 = pd.DataFrame({'Name':['San Zhang','Si Li'],
...: 'Age':[20,30]})
df2 = pd.DataFrame({'Name':['Wu Wang'], 'Age':[40]})
pd.concat([df1,df2])
Out[43]:
Name Age
0 San Zhang 20
1 Si Li 30
0 Wu Wang 40
df2 = pd.DataFrame({'Grade':[80, 90]})
df3 = pd.DataFrame({'Gender':['M', 'F']})
pd.concat({'Gender':['M',F]})
pd.concat([df1,df2,df3],1)
Out[49]:
Name Age Grade Gender
0 San Zhang 20 80 M
1 Si Li 30 90 F
concat 是关于索引进行连接的。纵向拼接会根据列索引对其，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对齐， join 参数可以类似设置。
df2 = pd.DataFrame({'Name':['Wu Wang'], 'Gender':['M']})
df2
Out[53]:
Name Gender
0 Wu Wang M
pd.concat([df1, df2])
Out[54]:
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)
...:
Out[56]:
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')
Out[57]:
Name Age Grade
1 Si Li 30 80
注意：
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。
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。
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'])
Out[60]:
Name Age
one 0 San Zhang 20
1 Si Li 21
two 0 Wu Wang 21
2.序列与表的合并
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)
Out[62]:
Name Age
0 San Zhang 20
1 Si Li 21
2 Wu Wang 21
assign 通过 df['new_col'] = ... 的形式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)
Out[64]:
Name Age Grade
0 San Zhang 20 80
1 Si Li 21 90
df1['Grade'] = s
df1
Out[66]:
Name Age Grade
0 San Zhang 20 80
1 Si Li 21 90
类连接操作
一些函数能够对两个表进行某些操作，把它们统称为类连接操作。
1.比较
compare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)
Out[69]:
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：指代传入的参数表 -
self：指代被调用的表自身
设置 keep_shape=True ，可以完整显示表中所有元素的比较情况：
df1.compare(df2,keep_shape=True)
Out[73]:
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。
设置 overtwrite 参数为 False 可以保留 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。
注意：
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。