【Python】挑戰(zhàn)SQL：圖解Pandas的數(shù)據(jù)合并merge
公眾號：尤而小屋
作者：Peter
編輯：Peter
在實際的業(yè)務(wù)需求中，我們的數(shù)據(jù)可能存在于不同的庫表中。很多情況下，我們需要進(jìn)行多表的連接查詢來實現(xiàn)數(shù)據(jù)的提取，通過SQL的join，比如left join、left join、inner join等來實現(xiàn)。
在pandas中也有實現(xiàn)合并功能的函數(shù)，比如：concat、append、join、merge。本文中重點介紹的是merge函數(shù)，也是pandas中最為重要的一個實現(xiàn)數(shù)據(jù)合并的函數(shù)。
看完了你會放棄SQL嗎？
Pandas連載文章
目前Pandas系列文章已經(jīng)更新了13篇，文章都是以豐富案例+圖解的風(fēng)格，歡迎大家訪問閱讀。有很多個人推薦的文章：
參數(shù)
官網(wǎng)學(xué)習(xí)地址：https://pandas.pydata.org/pandas-docs/stable/user_guide/merging.html#
pd.merge(left, # 待合并的2個數(shù)據(jù)框
right,
how='inner', # ‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’
on=None, # 連接的鍵，默認(rèn)是相同的鍵
left_on=None, # 指定不同的連接字段：鍵不同，但是鍵的取值有相同的內(nèi)容
right_on=None,
left_index=False, # 根據(jù)索引來連接
right_index=False,
sort=False, # 是否排序
suffixes=('_x', '_y'), # 改變后綴
copy=True,
indicator=False, # 顯示字段來源
validate=None)
參數(shù)的具體解釋為：
left、right：待合并的數(shù)據(jù)幀
how：合并的方式，有5種：{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, 默認(rèn)是 ‘inner’
1、 left：左連接，保留left的全部數(shù)據(jù)；right類似；類比于SQL的left join 或者right join
2、outer：全連接功能，類似SQL的full outer join
3、inner：交叉連接，類比于SQL的inner join
4、cross：創(chuàng)建兩個數(shù)據(jù)幀DataFrame的笛卡爾積，默認(rèn)保留左邊的順序
on：連接的列屬性；默認(rèn)是兩個DataFrame的相同字段
left_on/right_on：指定兩個不同的鍵進(jìn)行聯(lián)結(jié)
left_index、right_index：通過索引進(jìn)行合并
suffixes：指定我們自己想要的后綴
indictor：顯示字段的來源
模擬數(shù)據(jù)
我們創(chuàng)建了4個DataFrame數(shù)據(jù)框；其中df1和df2、df3是具有相同的鍵userid；df4有類似的鍵userid1，取值也是ac，和df1或df2的userid取值有相同的部分。
import pandas as pd
import numpy as np
參數(shù)left、right
left、how就是需要連接的兩個數(shù)據(jù)幀，一般有兩種寫法：
pd.merge(left,right)，個人習(xí)慣 left.merge(right)
圖解過程如下：
兩個數(shù)據(jù)框df1（left）、df2（right）有相同的字段userid 默認(rèn)是通過相同的字段（鍵）進(jìn)行關(guān)聯(lián)，取出鍵中相同的值（ac），而且每個鍵的記錄要全部顯示，比如a有多條記錄
參數(shù)how
inner
inner稱之為內(nèi)連接。它會直接根據(jù)相同的列屬性userid進(jìn)行關(guān)聯(lián)，取出屬性下面相同的數(shù)據(jù)信息a、c
??上面的圖解過程就是默認(rèn)的使用how="inner"
outer
outer稱之為外連接，在拼接的過程中會取兩個數(shù)據(jù)框中鍵的并集進(jìn)行拼接
外連接，取出全部交集鍵的并集。例子中是user的并集 如果某個鍵在某個數(shù)據(jù)框中不存在數(shù)據(jù)，則為NaN
圖解過程如下：
也是根據(jù)相同的字段來進(jìn)行連結(jié)：userid 保留兩邊的全部數(shù)據(jù)，所以abcde全部存在 如果某邊不存在鍵下面的某個值，則結(jié)果中用NaN補(bǔ)充。比如df1的userid中存在b，但是df3中不存在，則結(jié)果b對應(yīng)的score為NaN，cd類似；e在df3中存在e的取值，但是df1中不存在，則age的值為NaN
left
以左邊數(shù)據(jù)框中的鍵為基準(zhǔn)；如果左邊存在但是右邊不存在，則右邊用NaN表示
圖解過程如下：
和上面圖解過程的結(jié)果差別在于，沒有出現(xiàn)e； 當(dāng)how="left"，只會保留df1（left）中userid下面的全部取值，不包含e
right
以右邊數(shù)據(jù)框中的鍵的取值為基準(zhǔn)；如果右邊存在但是左邊不存在，則左邊用NaN表示
圖解過程如下：
當(dāng)how="right"，只會保留df3（right）中userid的全部取值 結(jié)果只保留了df3的userid下面的全部取值：a、e
cross
笛卡爾積：兩個數(shù)據(jù)框中的數(shù)據(jù)交叉匹配，出現(xiàn)n1*n2的數(shù)據(jù)量
笛卡爾積的圖解過程如下：
出現(xiàn)的數(shù)據(jù)量是4*2，userid下面的數(shù)據(jù)交叉匹配 在最終結(jié)果中相同的字段userid為了避免混淆，會帶上默認(rèn)的后綴 _x、_y
參數(shù)on
如果待連接的兩個數(shù)據(jù)框有相同的鍵，則默認(rèn)使用該相同的鍵進(jìn)行聯(lián)結(jié)。
上面的所有圖解例子的參數(shù)on默認(rèn)都是使用相同的鍵進(jìn)行聯(lián)結(jié)，所以有時候可省略。
再看個例子：
還可以將left和right的位置進(jìn)行互換：
上面的兩個例子都是針對數(shù)據(jù)框只有具有相同的一個鍵，如果不止通過一個鍵進(jìn)行聯(lián)結(jié)，該如何處理？通過一個來自官網(wǎng)的例子來解釋，我們先創(chuàng)建兩個DataFrame：df5、df6
現(xiàn)在進(jìn)行兩個數(shù)據(jù)框的合并：
合并的圖解過程如下：
通過on參數(shù)指定兩個連接的字段key1、key2 只有當(dāng)兩個數(shù)據(jù)框中的key1和key2的取值完全相同的時候（交集），才會保留下來；比如都出現(xiàn)了key1=K0,key2=K0和key1=K1,key2=K0。
在看一個通過how="outer"進(jìn)行連接的案例：
看看圖解的過程：
指定連接的兩個鍵key1、key2 使用how="outer"，會保留兩個數(shù)據(jù)框中的全部數(shù)據(jù)。某個數(shù)據(jù)框中不存在鍵的值，則取NaN
參數(shù)left_on、right_on
上面在連接合并的時候，兩個數(shù)據(jù)框之前都是有相同的字段，比如userid或者key1和key2。但是如何兩個數(shù)據(jù)框中沒有相同的鍵，但是這些鍵中的取值有相同的部分，比如我們的df1、df3：
在這個時候我們就使用left_on和right_on參數(shù)，分別指定兩邊連接的鍵：
如果我們不指定，系統(tǒng)就會報錯，因為這兩個數(shù)據(jù)框是沒有相同的鍵，本身是無法連接的：
參數(shù)suffixes
如果連接之后結(jié)果有相同的字段出現(xiàn)，默認(rèn)后綴是_x_、_y。這個參數(shù)就是改變我們默認(rèn)的后綴。我們回顧下笛卡爾積的形成；
現(xiàn)在我們可以指定想要的后綴：
indicator
這個參數(shù)的作用是表明生成的一條記錄是來自哪個DataFrame：both、left_only、right_only
如果帶上參數(shù)會顯示一個新字段_merge：
不帶上參數(shù)的話，默認(rèn)是不會顯示來源的，看默認(rèn)的情況：
總結(jié)
merge函數(shù)真的是非常強(qiáng)大，在工作中也使用地很頻繁，完全可以實現(xiàn)SQL中的join效果。希望本文的圖解能夠幫助讀者理解并掌握這個合并函數(shù)的使用。同時pandas還有另外幾個與合并相關(guān)的函數(shù)，比如：join、concat、append，會在下一篇文中統(tǒng)一講解。
往期精彩回顧 本站qq群851320808，加入微信群請掃碼：