如何在Python中实现EXCEL的查找功能

Posted 2023-03-11

【中文标题】如何在Python中实现EXCEL的查找功能

【英文标题】：How to implement EXCEL's lookup function in Python

【发布时间】：2019-07-05 23:15:19

【问题描述】：

我一直试图弄清楚如何在 Python 中实现类似于 EXCEL 的VLOOKUP 函数的功能，以便使用一个共同的值组合多个数据集。我想出了一个确实有效的方法，但我觉得这不是最好的解决方案。在下面的示例中，为了说明我的问题，我将数据集限制为三个，但实际上，我可能有很多数据集

import pandas as pd
import numpy as np

time_a   = np.arange(0, 10010, 10)
data_a1  = np.random.randint(1500, 2500, 1001)
data_a2  = np.random.randint(750, 1500, 1001)

time_b   = np.arange(0, 10005, 5)
data_b1  = np.random.randint(0, 10, 2001)
data_b2  = np.random.randint(0, 20, 2001)
data_b3  = np.random.randint(0, 15, 2001)

time_c   = np.arange(0, 10030, 30)

df_a     = pd.DataFrame('time_a': time_a, 'data_a1': data_a1, 'data_a2': data_a2)
df_b     = pd.DataFrame('time_b': time_b, 'data_b1': data_b1, 'data_b2': data_b2, 'data_b3': data_b3)
df_c     = pd.DataFrame('time_c': time_c)

df_a_c   = pd.merge_asof(df_c, df_a, left_on=['time_c'], right_on=['time_a'])
df_a_b_c = pd.merge_asof(df_a_c, df_b, left_on=['time_c'], right_on=['time_b'])

考虑到我有三个数据集（我想避免），我需要使用pd.merge_asof 两次，以使其正常工作。由于我现在得到了三个相同的不同时间（time_a、time_b 和 time_c），也许将其中一个重命名为 time 并删除另外两个也很方便：

df_a_b_c.rename(columns='time_c':'time', inplace=True)
df_a_b_c.drop(columns=['time_a', 'time_b'])

受到https://codereview.stackexchange.com/questions/124964/vlookup-in-python的启发，我也尝试使用，没有任何运气

def vlookup(key, table, column, approximate_match=True):
    compare = key.__ge__ if approximate_match else key.__eq__
    try:
        return max(row for row in table if compare(row[0]))[column]
    except ValueError:
        return None

可以使用例如 numpy 来执行此操作，还是我必须绕过 pandas？ 是否必须多次使用pd.merge_asof 才能合并多个数据集？ 如果我只想选择某些列而不合并整个数据集，这可能吗？ 在 Python 中推荐的做法是什么？

我非常感谢任何帮助。

【参考方案1】：

np.searchsorted 与 VLOOKUP 相同（实际上，与 INDEX + MATCH 相同）设置为 -1 或 +1（向上或向下排序）。

df_a     = pd.DataFrame('time': time_a, 'data_a1': data_a1, 'data_a2': data_a2)
df_b     = pd.DataFrame('time': time_b, 'data_b1': data_b1, 'data_b2': data_b2, 'data_b3': data_b3)
df_c     = pd.DataFrame('time': time_c)

for df in [df_a, df_b]:
    for c in df.columns:
        if c == 'time':
            continue
        df_c[c] = df[c].iloc[np.clip(df['time'].searchsorted(df_c.time), 0, len(df)-1)].values