Task06_连接

2024-03-14 13:02:22

一、关系型连接

连接中有两个基本的要素：键和连接形式

键表示两张表根据什么来连接，比如企业员工的各类信息表根据员工ID号会汇总，那这时候员工ID号就是键了，键可以是一个也可以是一组

连接形式分为：左连接、右连接、内连接、外连接。左连接表示以调用的表为主，被调用表中存在调用表的键就合并到调用表中，否则则处理为缺失值；右连接和左连接相反；内连接负责合并两边都出现的键；外连接将两张表合并，又称全连接

pandas给了两种关系型连接函数merge和join，前一种用于值连接，后一种用于索引连接。对于上面的两个要素，这两个函数提供了参数on来指定一个或多个键，参数how来指定连接形式

1.merge

举个简单的使用场景：

df1 = pd.DataFrame({'Name':['San Zhang'，'Si Li'],
                    'Age':[21,20],)
df2 = pd.DataFrame({'Name':['Si Li','Wu Wang'],
					'Gender':['F','M']})
df1.merge(df2,on='Name',how='left')
## 结果
        Name  Age Gender
0  San Zhang   20    NaN
1      Si Li   30      F

当两个表中的列不具备相同的列名，通过left_on和right_on指定

如果两个表中的列出现了重复的列名，该列名又不是连接的键，那么可以通过suffixes参数指定后缀，例子如下：

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，例子如下：

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

上面在指定Name为键时显然是一个多对多的关系：df1中多个张三对应了df2中的多个张三，而指定Name和Age后两张表就构成一对一的连接关系了

merge函数提供了validate参数来检查连接的模式：1:m、1:1、m:1，如果不是这个模式的话就会报错

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。

df1 = pd.DataFrame({'Name':['San Zhang'],
                    'Age':[21],
                    'Class':['one']})
df2 = pd.DataFrame({'Name':['San Zhang', 'San Zhang','San Zhang'],
                    'Gender':['F', 'M','F'],
                    'Class':['two', 'one','one']})
df1.merge(df2,on=['Name','Class'],how='left',validate='m:1')

## 结果
MergeError: Merge keys are not unique in right dataset; not a many-to-one merge

1:m成功通过

2.join

join函数用于索引连接，和merge不同的是，这是针对索引的，并且也不需要指定那么多参数，即使是多级索引也是如此，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。

用法和上面merge大通小异，例子这里不再介绍

二、方向连接

1.concat

有时候我们并不关心用哪一列作为键来进行合并，我们只想要单纯的将两个表进行拼接，那这时候就可以使用concat函数了

concat函数常用的有三个参数： axis, join, keys ，分别表示

  • 拼接方向，axis=0表示纵向拼接，axis=1表示横向拼接
  • 连接形式（默认join=outer表示保留所有的列，join=inner表示保留两个表都出现过的列）
  • 原表数据按照keys的值建立索引放入新表中（让用户明白哪些数据来自哪张表）

concat常用语多个字段或者特征的拼接

2.序列与表的合并

如果想把序列添加至表的行末或者列末，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。

df1.set_index('Name')
s = pd.Series(['Wu Wang', 22], index=df1.columns)
df1.append(s)
## 出现错误
Can only append a Series if ignore_index=True or if the Series has a name

s = pd.Series(['Wu Wang', 22], index=df1.columns, name='Name')
df1.append(s)
## 结果
		Name		Age
0		San Zhang	20
1		Si Li		21
Name	Wu Wang		22

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

三、类连接操作

这部分课件中已经很清晰的描述了，我这里就不再画蛇添足，直接copy了

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：

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：

In [49]: df1 = pd.DataFrame({'Name':['San Zhang', 'Si Li', 'Wu Wang'],
   ....:                         'Age':[20, 21 ,21],
   ....:                         'Class':['one', 'two', 'three']})
   ....: 

In [50]: df2 = pd.DataFrame({'Name':['San Zhang', 'Li Si', 'Wu Wang'],
   ....:                         'Age':[20, 21 ,21],
   ....:                         'Class':['one', 'two', 'Three']})
   ....: 

In [51]: df1.compare(df2)
Out[51]: 
    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 ：

In [52]: df1.compare(df2, keep_shape=True)
Out[52]: 
    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。

简单解释一下：首先是会进行索引的对其，比如df1中是0,1索引，df2中是1,2索引，那么传入函数的序列就是0,1,2索引，没有该索引的行填充nan，再比如df1中存在A列，df2中不存在A列，那么函数中第一次调用会传入一个df1中的A列和一个Name为A，值为Nan的序列

In [53]: 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
   ....: 

In [54]: df1 = pd.DataFrame({'A':[1,2], 'B':[3,4], 'C':[5,6]})

In [55]: df2 = pd.DataFrame({'B':[5,6], 'C':[7,8], 'D':[9,10]}, index=[1,2])

In [56]: df1.combine(df2, choose_min)
Out[56]: 
    A    B    C   D
0 NaN  NaN  NaN NaN
1 NaN  4.0  6.0 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。

用s2去替换s1即可

def choose_min(s1, s2):
    s2 = s2.reindex_like(s1)
    res = s2.mask(s1<s2, s1)
    res = res.mask(s2.isna()) # isna表示是否为缺失值，返回布尔序列
    return res

此外，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：

In [57]: df1.combine(df2, choose_min, overwrite=False)
Out[57]: 
     A    B    C   D
0  1.0  NaN  NaN NaN
1  2.0  4.0  6.0 NaN
2  NaN  NaN  NaN NaN

四、练习

Ex1：美国疫情数据集

现有美国4月12日至11月16日的疫情报表，请将 New York 的 Confirmed, Deaths, Recovered, Active 合并为一张表，索引为按如下方法生成的日期字符串序列：

In [61]: date = pd.date_range('20200412', '20201116').to_series()

In [62]: date = date.dt.month.astype('string').str.zfill(2
   ....:        ) +'-'+ date.dt.day.astype('string'
   ....:        ).str.zfill(2) +'-'+ '2020'
   ....: 

In [63]: date = date.tolist()

In [64]: date[:5]
Out[64]: ['04-12-2020', '04-13-2020', '04-14-2020', '04-15-2020', '04-16-2020']

答案：

dates = pd.date_range('20200412', '20201116').to_series()
dates = dates.dt.month.astype('string').str.zfill(2) +'-'+ dates.dt.day.astype('string').str.zfill(2) +'-'+ '2020'
dates = dates.tolist()

res = pd.DataFrame(columns=(df.columns))
res['Date'] = ''
for date in dates:
    df = pd.read_csv('data/us_report/' + date + '.csv')
    temp = df.loc[df['Province_State'] == 'New York']
    temp = temp.assign(Date=date)
    res = pd.concat([res,temp])

res = res[['Confirmed','Deaths','Recovered','Active','Date']]
res.set_index('Date').head()
## 结果如下表
Confirmed Deaths Recovered Active
Date
04-12-2020 189033 9385 23887.0 179648
04-13-2020 195749 10058 23887.0 185691
04-14-2020 203020 10842 23887.0 192178
04-15-2020 214454 11617 23887.0 202837
04-16-2020 223691 14832 23887.0 208859

Ex2：实现join函数

请实现带有 how 参数的 join 函数

  • 假设连接的两表无公共列
  • 调用方式为 join(df1, df2, how="left")
  • 给出测试样例
上一篇：AD设计PCB新手入门


下一篇：AD设置过孔盖油