Python 数据集的合并：merge 与 join

以下内容转自 数析学院 ，更多 merge 操作以及 join 方法的使用，可以直接搜索阅读原文

向大家介绍数据集处理过程中的“合并”方法：merge 与 join，为了更好的演示相关操作，需要做一些准备工作，包括导入所需的 Pandas 库与 Numpy 库，以及构建方便于结果展示的 display 类：

import pandas as pd
import numpy as np

class display(object):
    """Display HTML representation of multiple objects"""
    template = """<div style="float: left;padding: 10px;">
    <p style='font-family:"Courier New", Courier, monospace'>{0}</p>{1}
    </div>"""
    def __init__(self, *args):
        self.args = args

    def _repr_html_(self):
        return '\n'.join(self.template.format(a, eval(a)._repr_html_())
                         for a in self.args)

    def __repr__(self):
        return '\n\n'.join(a + '\n' + repr(eval(a))
                           for a in self.args)

类 display 可以方便我们将输出的多个结果展示在一行之中。

接下来，我们构建实例数据 df1 与 df2 ，这两个数据框分别记录了职工的分组与职工的雇佣日期：

df1 = pd.DataFrame({'employee': ['Bob', 'Jake', 'Lisa', 'Sue'],
                    'group': ['Accounting', 'Engineering',
                              'Engineering', 'HR']})
df2 = pd.DataFrame({'employee': ['Lisa', 'Bob', 'Jake', 'Sue'],
                    'hire_date': [2004, 2008, 2012, 2014]})
display('df1', 'df2')

使用 Pandas 库的 merge 函数可以帮助我们进行数据的合并，可以看到，在合并构成的数据框 df3 中同时包含了职工对应的分组与雇佣日期信息：

df3 = pd.merge(df1, df2)
df3

同理，我们还可以利用这一函数合并更多的信息，例如每个职员的监管领导：

df4 = pd.DataFrame({'group': ['Accounting', 'Engineering', 'HR'],
                    'supervisor': ['Carly', 'Guido', 'Steve']})
display('df3', 'df4', 'pd.merge(df3, df4)')

函数 merge 会默认的匹配两个原始数据集中相同的列名，当两个数据集的样本量不同时，合并之后构成的数据框会自动扩展：

df5 = pd.DataFrame({'group': ['Accounting', 'Accounting',
                              'Engineering', 'Engineering', 'HR', 'HR'],
                    'skills': ['math', 'spreadsheets', 'coding', 'linux',
                               'spreadsheets', 'organization']})
display('df1', 'df5', "pd.merge(df1, df5)")

当然，我们也可以通过参数 on 来指定用于数据集合并的主键：

display('df1', 'df2', "pd.merge(df1, df2, on='employee')")

同时，我们还可以通过参数 left_on 和 right_on 来指定列名，从而使不同的列名相互对应，进而进行合并：

df3 = pd.DataFrame({'name': ['Bob', 'Jake', 'Lisa', 'Sue'],
                    'salary': [70000, 80000, 120000, 90000]})
display('df1', 'df3', 'pd.merge(df1, df3, left_on="employee", right_on="name")')

然后，我们可以运用 drop 命令舍去数据框中重复意义的列，优化数据合并的效果：

pd.merge(df1, df3, left_on="employee", right_on="name").drop('name', axis=1)

以上内容转自 数析学院 ，更多 merge 操作以及 join 方法的使用，可以直接搜索阅读原文