一、关系型连接
1. 连接的基本概念
把两张相关的表按照某一个或某一组键连接起来是一种常见操作,例如学生期末考试各个科目的成绩表按照 姓 名 \color{red}{姓名} 姓名和 班 级 \color{red}{班级} 班级连接成总的成绩表,又例如对企业员工的各类信息表按照 员 工 I D 号 \color{red}{员工ID号} 员工ID号进行连接汇总。由此可以看出,在关系型连接中, 键 \color{red}{键} 键是十分重要的,往往用on
参数表示。
另一个重要的要素是连接的形式。在pandas
中的关系型连接函数merge
和join
中提供了how
参数来代表连接形式,分为左连接left
、右连接right
、内连接inner
、外连接outer
.
2. 值连接
在上面示意图中的例子中,两张表根据某一列的值来连接,事实上还可以通过几列值的组合进行连接,这种基于值的连接在pandas
中可以由merge
函数实现,例如第一张图的左连接:
import numpy as np
import pandas as pd
df1 = pd.DataFrame({
'Name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({
'Name':['Si Li','Wu Wang'], 'Gender':['F','M']})
df1.merge(df2, on='Name', how='left')
Name | Age | Gender | |
---|---|---|---|
0 | San Zhang | 20 | NaN |
1 | Si Li | 30 | F |
如果两个表中想要连接的列不具备相同的列名,可以通过left_on
和right_on
指定:
df1 = pd.DataFrame({
'df1_name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({
'df2_name':['Si Li','Wu Wang'], 'Gender':['F','M']})
df1.merge(df2, left_on='df1_name', right_on='df2_name', how='left')
df1_name | Age | df2_name | Gender | |
---|---|---|---|---|
0 | San Zhang | 20 | NaN | NaN |
1 | Si Li | 30 | Si Li | F |
如果两个表中的列出现了重复的列名,那么可以通过suffixes
参数指定。例如合并考试成绩的时候,第一个表记录了语文成绩,第二个是数学成绩:
df1 = pd.DataFrame({
'Name':['San Zhang'],'Grade':[70]})
df2 = pd.DataFrame({
'Name':['San Zhang'],'Grade':[80]})
df1.merge(df2, on='Name', how='left', suffixes=['_Chinese','_Math'])
Name | Grade_Chinese | Grade_Math | |
---|---|---|---|
0 | San Zhang | 70 | 80 |
在某些时候出现重复元素是麻烦的,例如两位同学来自不同的班级,但是姓名相同,这种时候就要指定on
参数为多个列使得正确连接:
df1 = pd.DataFrame({
'Name':['San Zhang', 'San Zhang'],
'Age':[20, 21],
'Class':['one', 'two']})
df2 = pd.DataFrame({
'Name':['San Zhang', 'San Zhang'],
'Gender':['F', 'M'],
'Class':['two', 'one']})
df1
Name | Age | Class | |
---|---|---|---|
0 | San Zhang | 20 | one |
1 | San Zhang | 21 | two |
df2
Name | Gender | Class | |
---|---|---|---|
0 | San Zhang | F | two |
1 | San Zhang | M | one |
df1.merge(df2, on='Name', how='left')