Pandas 中的 join 和 merge 有啥区别？

Posted 2023-02-24

【中文标题】Pandas 中的 join 和 merge 有啥区别？

【英文标题】：What is the difference between join and merge in Pandas?Pandas 中的 join 和 merge 有什么区别？

【发布时间】：2014-05-05 17:53:41

【问题描述】：

假设我有两个这样的 DataFrame：

left = pd.DataFrame('key1': ['foo', 'bar'], 'lval': [1, 2])

right = pd.DataFrame('key2': ['foo', 'bar'], 'rval': [4, 5])

我想合并它们，所以我尝试这样的事情：

pd.merge(left, right, left_on='key1', right_on='key2')

我很高兴

    key1    lval    key2    rval
0   foo     1       foo     4
1   bar     2       bar     5

但我正在尝试使用 join 方法，我一直认为它非常相似。

left.join(right, on=['key1', 'key2'])

我明白了：

//anaconda/lib/python2.7/site-packages/pandas/tools/merge.pyc in _validate_specification(self)
    406             if self.right_index:
    407                 if not ((len(self.left_on) == self.right.index.nlevels)):
--> 408                     raise AssertionError()
    409                 self.right_on = [None] * n
    410         elif self.right_on is not None:

AssertionError: 

我错过了什么？

【问题讨论】：

这里的具体问题是merge将left的列连接到right的列，这是你想要的，但是join(... on=[...])将left的列连接到索引键right，这不是你想要的。有关详细信息，请参阅下面的答案。

DataFrame.join() 总是希望将调用者的索引或键（由on 选项指定）与other 的索引相匹配。请记住，连接索引。而 merge() 是一种更通用的方法。

这看起来像是 dfsql 的一个很好的例子 df = dfsql.query('select * from a left join b on a.id = b.id', a=a_df , b=b_df) github.com/mindsdb/dfsql 关于它的完整文章在这里：medium.com/riselab/…

【参考方案1】：

来自this documentation

pandas 提供了一个单一的功能，合并，作为所有的入口点 DataFrame 对象之间的标准数据库连接操作：

merge(left, right, how='inner', on=None, left_on=None, right_on=None,
      left_index=False, right_index=False, sort=True,
      suffixes=('_x', '_y'), copy=True, indicator=False)

还有：

DataFrame.join 是组合两列的便捷方法 可能不同索引的 DataFrame 到单个结果中 数据框。这是一个非常基本的例子：这里的数据对齐是开启的 索引（行标签）。可以使用相同的行为来实现 合并加上指示它使用索引的附加参数：

result = pd.merge(left, right, left_index=True, right_index=True,
how='outer')

【参考方案2】：

将其类比为 SQL“Pandas 合并是外/内连接，Pandas 连接是自然连接”。因此，当您在 pandas 中使用合并时，您想指定要使用哪种 sqlish 连接，而当您使用 pandas 连接时，您确实希望有一个匹配的列标签以确保它连接

【参考方案3】：

加入：默认索引（如果有任何相同的列名，那么它会在默认模式下抛出错误，因为你没有定义 lsuffix 或 rsuffix））

df_1.join(df_2)

合并：默认相同的列名（如果没有相同的列名，默认模式下会抛出错误）

df_1.merge(df_2)

on 参数在两种情况下的含义不同

df_1.merge(df_2, on='column_1')

df_1.join(df_2, on='column_1') // It will throw error
df_1.join(df_2.set_index('column_1'), on='column_1')

【参考方案4】：

其中一个区别是merge 正在创建一个新索引，而join 正在保留左侧索引。如果您错误地假设您的索引没有被merge 更改，它可能会对您以后的转换产生重大影响。

例如：

import pandas as pd

df1 = pd.DataFrame('org_index': [101, 102, 103, 104],
                    'date': [201801, 201801, 201802, 201802],
                    'val': [1, 2, 3, 4], index=[101, 102, 103, 104])
df1

       date  org_index  val
101  201801        101    1
102  201801        102    2
103  201802        103    3
104  201802        104    4

-

df2 = pd.DataFrame('date': [201801, 201802], 'dateval': ['A', 'B']).set_index('date')
df2

       dateval
date          
201801       A
201802       B

-

df1.merge(df2, on='date')

     date  org_index  val dateval
0  201801        101    1       A
1  201801        102    2       A
2  201802        103    3       B
3  201802        104    4       B

-

df1.join(df2, on='date')
       date  org_index  val dateval
101  201801        101    1       A
102  201801        102    2       A
103  201802        103    3       B
104  201802        104    4       B

【讨论】：

没错。如果我们在索引以外的列上合并两个数据帧，我们将得到一个新索引，但如果我们在两个数据帧的索引上合并，我们将得到一个具有相同索引的数据帧。因此，为了在合并后获得相同的索引，我们可以将列作为两个数据帧的索引（我们要在其上合并），然后在新创建的索引上合并数据帧。

非常有见地。我从来不需要索引（我通常只是重置索引），但这在某些情况下可能会有很大的不同。

【参考方案5】：

pandas.merge() 是用于所有合并/连接行为的底层函数。

DataFrames 提供pandas.DataFrame.merge() 和pandas.DataFrame.join() 方法作为访问pandas.merge() 功能的便捷方式。例如，df1.merge(right=df2, ...) 等价于 pandas.merge(left=df1, right=df2, ...)。

这些是df.join() 和df.merge() 之间的主要区别：

在右表上查找：df1.join(df2) 总是通过df2 的索引连接，但df1.merge(df2) 可以连接到df2（默认）的一个或多个列或df2 的索引（使用@ 987654335@)。 左表查找：默认情况下，df1.join(df2) 使用df1 的索引，df1.merge(df2) 使用df1 的列。这可以通过指定df1.join(df2, on=key_or_keys) 或df1.merge(df2, left_index=True) 来覆盖。 左与内连接：df1.join(df2) 默认执行左连接（保留df1 的所有行），但df.merge 默认执行内连接（仅返回匹配的df1 和df2 行)。

因此，通用方法是使用pandas.merge(df1, df2) 或df1.merge(df2)。但是对于一些常见情况（保留df1 的所有行并加入df2 中的索引），您可以改用df1.join(df2) 来节省一些输入。

http://pandas.pydata.org/pandas-docs/stable/merging.html#database-style-dataframe-joining-merging 的文档中关于这些问题的一些说明：

merge 是 pandas 命名空间中的一个函数，它也是 可作为 DataFrame 实例方法使用，调用 DataFrame 被隐式认为是连接中的左对象。

相关的DataFrame.join方法，内部使用merge index-on-index 和 index-on-column(s) 连接，但通过索引连接 默认而不是尝试加入公共列（默认 merge) 的行为。如果您要加入索引，您可能希望 使用DataFrame.join 可以节省一些打字时间。

...

这两个函数调用是完全等价的：

left.join(right, on=key_or_keys)
pd.merge(left, right, left_on=key_or_keys, right_index=True, how='left', sort=False)

【讨论】：

这绝对应该是公认的答案！感谢您的详尽解释

@Matthias Fripp，也许对于更有经验的人来说这是不言而喻的，但也可以说“在右表上查找：df1.join(df2) 可以覆盖为 df1.join(df2 , on=key_or_keys?

@spacedustpi，我想你是说你可以使用on=key_or_keys 来改变在右表中找到行的方式。然而，事实并非如此。 on 参数将 left 表 (df1) 上的查找从索引更改为列。然而，即使有这个参数，正确的表 (df2) 也将通过它的索引来匹配。 （请参见上面的最后一个示例。）

Pandas 有几种方法来处理这些情况，其中包括 merge、join、append、concat、combine、combine_first。看看这些，看看哪一个最适合你的情况

【参考方案6】：

我总是在索引上使用join：

import pandas as pd
left = pd.DataFrame('key': ['foo', 'bar'], 'val': [1, 2]).set_index('key')
right = pd.DataFrame('key': ['foo', 'bar'], 'val': [4, 5]).set_index('key')
left.join(right, lsuffix='_l', rsuffix='_r')

     val_l  val_r
key            
foo      1      4
bar      2      5

在以下列上使用merge 可以获得相同的功能：

left = pd.DataFrame('key': ['foo', 'bar'], 'val': [1, 2])
right = pd.DataFrame('key': ['foo', 'bar'], 'val': [4, 5])
left.merge(right, on=('key'), suffixes=('_l', '_r'))

   key  val_l  val_r
0  foo      1      4
1  bar      2      5

【讨论】：

错误似乎是说它期望right 上的多索引与on 上的长度相同。这对我来说有点道理。我可以接受语义不同。但我想知道是否可以使用 df.join 获得相同的行为

【参考方案7】：

我相信join() 只是一种方便的方法。改用df1.merge(df2)，它允许您指定left_on 和right_on：

In [30]: left.merge(right, left_on="key1", right_on="key2")
Out[30]: 
  key1  lval key2  rval
0  foo     1  foo     4
1  bar     2  bar     5