如何在 Pandas Python 中合并时避免笛卡尔坐标

Posted 2023-03-12

【中文标题】如何在 Pandas Python 中合并时避免笛卡尔坐标

【英文标题】：How to avoid Cartesian while merging in Pandas Python

【发布时间】：2019-02-16 01:45:55

【问题描述】：

我正在尝试合并 2 个数据集 X 和 Y。数据集 X 具有包含重复值的连接键列。数据集 Y 具有连接键列和一个附加列。数据集图像已在下面上传。问题是我想避免笛卡尔积，因为数据集 X 中存在重复项。我附上了下面的结果数据集图像。这可以通过使用 for 循环手动合并来手动完成，但这很耗时。任何人都可以提供更好的方法

【问题讨论】：

我读你的问题越多，我就越不明白你在问什么。你想合并两个DataFrames？为什么要使用笛卡尔积来做到这一点？请参阅此处here 合并的工作原理。默认不涉及任何产品。

笛卡尔积我的意思是，所有值为 610462 的 EMM_ID 将获得 ID_Home 值 80100。相反，我想要仅第一个 EMM_ID 610462 获取值 80100，其余 EMM_ID 610462 应为 NaN。我希望我现在有道理，很难解释。谢谢

【参考方案1】：

在这种情况下，由于只需要带一列，.map 可能更合适。我们取每个 EMM_ID 组中的第一个值，并仅映射该值。对齐索引确保其余部分变为NaN。

样本数据

import pandas as pd
import numpy as np
df_x = pd.DataFrame('EMM_ID': [610462, 610462, 610462, 610462, 61000, 61000],
                     'ID_home': [np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN])
df_y = pd.DataFrame('EMM_ID': [610462, 61000], 'ID_home': [81000, 18])

代码

df_x['ID_home'] = df_x.groupby('EMM_ID').head(1).EMM_ID.map(df_y.set_index('EMM_ID').ID_home)

输出：df_x

   EMM_ID  ID_home
0  610462  81000.0
1  610462      NaN
2  610462      NaN
3  610462      NaN
4   61000     18.0
5   61000      NaN

---

如果您需要引入多个列，则可以拆分 DataFrame，与子集合并，然后连接回一个 DataFrame。

df_x = pd.DataFrame('EMM_ID': [610462,610462,610462,610462, 61000, 61000],
                     'ID_home': [np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN])
df_y = pd.DataFrame('EMM_ID': [610462, 61000], 'ID_home': [81000, 18], 'Val_2': ['A', 'F'])

to_merge = df_x.groupby('EMM_ID').head(1)
keep = df_x[~df_x.index.isin(to_merge.index)]

pd.concat([keep, to_merge[['EMM_ID']].merge(df_y)], sort=False).sort_index() 

输出：

   EMM_ID  ID_home Val_2
0  610462  81000.0     A
1  610462      NaN   NaN
1   61000     18.0     F
2  610462      NaN   NaN
3  610462      NaN   NaN
5   61000      NaN   NaN

【参考方案2】：

使用@Alollz 设置：

df_x = pd.DataFrame('EMM_ID': [610462, 610462, 610462, 610462, 61000, 61000],
                     'ID_home': [np.NaN, np.NaN, np.NaN, np.NaN, np.NaN, np.NaN])
df_y = pd.DataFrame('EMM_ID': [610462, 61000], 'ID_home': [81000, 18])

您可以创建一个新的“密钥”来加入 cumcount。

colkey = 'EMM_ID'
df_x = df_x.assign(colkey=df_x.groupby(colkey).cumcount())
df_y = df_y.assign(colkey=df_y.groupby(colkey).cumcount())

df_x[['EMM_ID','colkey']].merge(df_y, on=['EMM_ID','colkey'], how='left')

输出：

   EMM_ID  colkey  ID_home
0  610462       0  81000.0
1  610462       1      NaN
2  610462       2      NaN
3  610462       3      NaN
4   61000       0     18.0
5   61000       1      NaN