系统重温Pandas笔记：（六）连接

写在前面

本文内容源自Datawhale 组队学习教程，并结合了部分自己的笔记和感悟。对Datawhale感兴趣且想进一步了解：https://github.com/datawhalechina/joyful-pandas

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，在关系型连接中，$键$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，它们的区别如图：

• 左连接left：以左边的键为准，如果右边表中的键于左边存在，那么就添加到左边，否则则处理为缺失值。
• 右连接right：以右边的键为准，如果左边表中的键于右边存在，那么就添加到右边，否则则处理为缺失值。
• 内连接inner：只负责合并两边同时出现的键。
• 外连接outer：会在内连接的基础上包含只在左边出现以及只在右边出现的值，因此外连接又叫全连接。

如果出现重复的键：
只需把握一个原则：只要两边同时出现的值，就以笛卡尔积的方式加入，如果单边出现则根据连接形式进行处理。
其中，关于笛卡尔积可用如下例子说明：设左表中键张三出现两次，右表中的张三也出现两次，那么逐个进行匹配，最后产生的表必然包含2*2个姓名为张三的行，如图：

显然在不同的场合应该使用不同的连接形式。其中左连接和右连接是等价的，由于它们的结果中的键是被一侧的表确定的，因此常常用于有方向性地添加到目标表。内外连接两侧的表，经常是地位类似的，想取出键的交集或者并集，具体的操作还需要业务的需求来判断。

2. 值连接

• 由merge函数实现通过几列值的组合进行连接，例如第一张图的左连接：

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')

• 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')

• 两个表中的列出现了重复的列名，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：相当于给重复列名加了后缀以区分。

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'])

• 出现重复元素，这种时候就要指定on参数为多个列使得正确连接：
  e.g.：
  有df1和df2两张表，df1如下：
  
  df2如下：
  
  错误连接（笛卡尔积）：

df1.merge(df2, on='Name', how='left') # 错误的结果

正确连接（相当于进行多列信息的锁定和匹配）：

df1.merge(df2, on=['Name', 'Class'], how='left') # 正确的结果

从上面的例子来看，在进行基于唯一性的连接下，如果键不是唯一的，那么结果就会产生问题。举例中的行数很少，但如果实际数据中有几十万到上百万行的进行合并时，如果想要保证唯一性，除了用duplicated检查是否重复外，merge中也提供了validate参数来检查连接的唯一性模式。这里共有三种模式：

• 一对一连接1:1（左右表的键都是唯一的）
• 一对多连接1:m（左表键唯一）
• 多对一连接m:1（右表键唯一）

【练一练】

上面以多列为键的例子中，错误写法显然是一种多对多连接，而正确写法是一对一连接，请修改原表，使得以多列为键的正确写法能够通过validate='1:m'的检验，但不能通过validate='m:1'的检验。
解：
只需要对df1做如下改动,改成我的名字hhh：

df1 = pd.DataFrame({'Name':['San Zhang', 'Lin Mumu'],
                    'Age':[20, 21],
                    'Class':['one', 'two']})
df2 = pd.DataFrame({'Name':['San Zhang', 'San Zhang'],
                    'Gender':['F', 'M'],
                    'Class':['two', 'one']})

然后1：m：

df1.merge(df2, on='Name', how='left',validate='1:m') 

m:1报错：

df1.merge(df2, on='Name', how='left',validate='m:1') 

3. 索引连接

索引连接：把索引当作键，因此这和值连接本质上没有区别，pandas中利用join函数来处理索引连接，它的参数选择要少于merge，除了必须的on和how之外，可以对重复的列指定左右后缀lsuffix和rsuffix。其中，on参数指索引名，单层索引时省略参数表示按照当前索引连接。
e.g.
df1和df2分别如下：


使用join：

df1.join(df2, how='left')

仿照第2小节的例子，语文和数学分数合并的join版本：

df1.join(df2, how='left', lsuffix='_Chinese', rsuffix='_Math')

如果想要进行类似于merge中以多列为键的操作的时候，join需要使用多级索引，例如在merge中的最后一个例子可以如下写出：

df1 = pd.DataFrame({'Age':[20,21]}, index=pd.MultiIndex.from_arrays([['San Zhang', 'San Zhang'],['one', 'two']], names=('Name','Class')))
df2 = pd.DataFrame({'Gender':['F', 'M']}, index=pd.MultiIndex.from_arrays([['San Zhang', 'San Zhang'],['two', 'one']], names=('Name','Class')))
df1

df2

df1.join(df2)

二、方向连接

1. concat

前面介绍了关系型连接，其中最重要的参数是on和how，但有时候用户并不关心以哪一列为键来合并，只是希望把两个表或者多个表按照纵向或者横向拼接，为这种需求，pandas中提供了concat函数来实现。

在concat中，最常用的有三个参数：

• axis拼接方向
• join连接形式
• keys指示来自于哪一张旧表的名字
• 特别注意，join和keys与之前提到的join函数和键的概念没有任何关系。

在默认状态下的axis=0，表示纵向拼接多个表，常常用于多个样本的拼接；
而axis=1表示横向拼接多个表，常用于多个字段或特征的拼接。

例如，纵向合并各表中人的信息：

df1 = pd.DataFrame({'Name':['San Zhang','Si Li'], 'Age':[20,30]})
df2 = pd.DataFrame({'Name':['Wu Wang'], 'Age':[40]})
pd.concat([df1, df2])

横向合并各表中的字段：

df2 = pd.DataFrame({'Grade':[80, 90]})
df3 = pd.DataFrame({'Gender':['M', 'F']})
pd.concat([df1, df2, df3], 1)

虽然说concat是处理关系型合并的函数，但是它仍然是关于索引进行连接的。

• 纵向拼接会根据列索引对其，默认状态下join=outer，表示保留所有的列，并将不存在的值设为缺失；join=inner，表示保留两个表都出现过的列。
• 横向拼接则根据行索引对齐，join参数可以类似设置。

df2 = pd.DataFrame({'Name':['Wu Wang'], 'Gender':['M']})
pd.concat([df1, df2])

df2 = pd.DataFrame({'Grade':[80, 90]}, index=[1, 2])
pd.concat([df1, df2], 1)

pd.concat([df1, df2], axis=1, join='inner')

因此，当确认要使用多表直接的方向合并时，尤其是横向的合并，可以先用reset_index方法恢复默认整数索引再进行合并，防止出现由索引的误对齐和重复索引的笛卡尔积带来的错误结果。

• keys参数的使用场景在于多个表合并后，用户仍然想要知道新表中的数据来自于哪个原表，这时可以通过keys参数产生多级索引进行标记。
  例如，第一个表中都是一班的同学，而第二个表中都是二班的同学，可以使用如下方式合并：

df1 = pd.DataFrame({'Name':['San Zhang','Si Li'], 'Age':[20,21]})
df2 = pd.DataFrame({'Name':['Wu Wang'],'Age':[21]})
pd.concat([df1, df2], keys=['one', 'two'])

2. 序列与表的合并

利用concat可以实现多个表之间的方向拼接，如果想要把一个序列追加到表的行末或者列末，则可以分别使用append和assign方法。

• 在append中，如果原表是默认整数序列的索引，那么可以使用ignore_index=True对新序列对应索引的自动标号，否则必须对Series指定name属性。

s = pd.Series(['Wu Wang', 21], index = df1.columns)
df1.append(s, ignore_index=True)

• 对于assign而言，虽然可以利用其添加新的列，但一般通过df['new_col'] = ...的形式就可以等价地添加新列。同时，使用[]修改的缺点是它会直接在原表上进行改动，而assign返回的是一个临时副本：

s = pd.Series([80, 90])
df1.assign(Grade=s)

df1['Grade'] = s
df1

df1本身发生了变化

三、类连接操作

除了上述介绍的若干连接函数之外，pandas中还设计了一些函数能够对两个表进行某些操作，这里把它们统称为类连接操作。

1. 比较

compare是在1.1.0后引入的新函数，它能够比较两个表或者序列的不同处并将其汇总展示：

df1 = pd.DataFrame({'Name':['San Zhang', 'Si Li', 'Wu Wang'],
                    'Age':[20, 21 ,21],
                    'Class':['one', 'two', 'three']})
df2 = pd.DataFrame({'Name':['San Zhang', 'Li Si', 'Wu Wang'],
                    'Age':[20, 21 ,21],
                    'Class':['one', 'two', 'Three']})
df1.compare(df2)

结果中返回了不同值所在的行列，如果相同则会被填充为缺失值NaN，其中other和self分别指代传入的参数表和被调用的表自身。

如果想要完整显示表中所有元素的比较情况，可以设置keep_shape=True：

df1.compare(df2, keep_shape=True)

2. 组合

• combine函数能够让两张表按照一定的规则进行组合，在进行规则比较时会自动进行列索引的对齐。
• 对于传入的函数而言，每一次操作中输入的参数是来自两个表的同名Series，依次传入的列是两个表列名的并集。

例如下面这个例子会依次传入A,B,C,D四组序列，每组为左右表的两个序列。同时，进行A列比较的时候，s1指代的就是一个全空的序列，因为它在被调用的表中并不存在，并且来自第一个表的序列索引会被reindex成两个索引的并集。具体的过程可以通过在传入的函数中插入适当的print方法查看。

下面的例子表示选出对应索引位置较小的元素：

def choose_min(s1, s2):
    s2 = s2.reindex_like(s1)
    res = s1.where(s1<s2, s2)
    res = res.mask(s1.isna()) # isna表示是否为缺失值，返回布尔序列
    return res
df1 = pd.DataFrame({'A':[1,2], 'B':[3,4], 'C':[5,6]})
df2 = pd.DataFrame({'B':[5,6], 'C':[7,8], 'D':[9,10]}, index=[1,2])
df1.combine(df2, choose_min)

【练一练】

请在上述代码的基础上修改，保留df2中4个未被df1替换的相应位置原始值。
解：
修改后代码：

def choose_min(s1, s2):
    s2 = s2.reindex_like(s1)
    res = s1.where(s1<s2, s2)
    return res
df1 = pd.DataFrame({'A':[1,2], 'B':[3,4], 'C':[5,6]})
df2 = pd.DataFrame({'B':[5,6], 'C':[7,8], 'D':[9,10]}, index=[1,2])
df1.combine(df2, choose_min)

简而言之去掉“res = res.mask(s1.isna()) ”
则可得到题目要求的结果：

此外，设置overtwrite参数为False可以保留$被调用表$中未出现在传入的参数表中的列，而不会设置未缺失值：

df1.combine(df2, choose_min, overwrite=False)

【练一练】

除了combine之外，pandas中还有一个combine_first方法，其功能是在对两张表组合时，若第二张表中的值在第一张表中对应索引位置的值不是缺失状态，那么就使用第一张表的值填充。下面给出一个例子，请用combine函数完成相同的功能。

df1 = pd.DataFrame({'A':[1,2], 'B':[3,np.nan]})
df2 = pd.DataFrame({'A':[5,6], 'B':[7,8]}, index=[1,2])
df1.combine_first(df2)

解：

def myfunc(s1, s2):
    res = s1.mask(s1.isna(),s2)
    return res
df1 = pd.DataFrame({'A':[1,2], 'B':[3,np.nan]})
df2 = pd.DataFrame({'A':[5,6], 'B':[7,8]}, index=[1,2])
df1.combine(df2,myfunc)

四、练习

Ex1：美国疫情数据集

现有美国4月12日至11月16日的疫情报表，请将New York的Confirmed, Deaths, Recovered, Active合并为一张表，索引为按如下方法生成的日期字符串序列：

date = pd.date_range('20200412', '20201116').to_series()
date = date.dt.month.astype('string').str.zfill(2) +'-'+ date.dt.day.astype('string').str.zfill(2) +'-'+ '2020'
date = date.tolist()
date[:5]

['04-12-2020', '04-13-2020', '04-14-2020', '04-15-2020', '04-16-2020']

解：
先创建一个空的dataframe

df_empty = pd.DataFrame()

然后读取美国4月12日至11月16日的疫情报表，并将New York的Confirmed, Deaths, Recovered, Active合并为一张表：

import os 
datalist=os.listdir('data/us_report/')
for file in datalist:
    df = pd.read_csv('data/us_report/'+file,usecols = ['Province_State','Confirmed','Deaths','Recovered','Active'])
    df = df.set_index('Province_State')
    df = df.loc['New York', ['Confirmed','Deaths','Recovered','Active']]
    df_empty = df_empty.append(df,ignore_index=True)
df_empty

最后把index按照题目要求改成data里的格式：

df_empty.index = date
df_empty

Ex2：实现join函数

请实现带有how参数的join函数

• 假设连接的两表无公共列
• 调用方式为 join(df1, df2, how="left")
• 给出测试样例

解：
本题有点复杂，两脑空空，只能对参考答案做了一遍阅读理解。为了笔记的完整性，将参考答案搬运至此，便于日后查阅和新的理解：

def join(df1, df2, how='left'):
    res_col = df1.columns.tolist() +  df2.columns.tolist()
    dup = df1.index.unique().intersection(df2.index.unique())
    res_df = pd.DataFrame(columns = res_col)
    for label in dup:
        cartesian = [list(i)+list(j) for i in df1.loc[label].values for j in df2.loc[label].values]
        dup_df = pd.DataFrame(cartesian, index = [label]*len(cartesian), columns = res_col)
        res_df = pd.concat([res_df,dup_df])
    if how in ['left', 'outer']:
        for label in df1.index.unique().difference(dup):
            if isinstance(df1.loc[label], pd.DataFrame):
                cat = [list(i)+[np.nan]*df2.shape[1] for i in df1.loc[label].values]
            else:
                cat = [list(i)+[np.nan]*df2.shape[1] for i in df1.loc[label].to_frame().values]
            dup_df = pd.DataFrame(cat, index = [label]*len(cat), columns = res_col)
            res_df = pd.concat([res_df,dup_df])
    if how in ['right', 'outer']:
        for label in df2.index.unique().difference(dup):
            if isinstance(df2.loc[label], pd.DataFrame):
                cat = [[np.nan]+list(i)*df1.shape[1] for i in df2.loc[label].values]
            else:
                cat = [[np.nan]+list(i)*df1.shape[1] for i in df2.loc[label].to_frame().values]
            dup_df = pd.DataFrame(cat, index = [label]*len(cat), columns = res_col)
            res_df = pd.concat([res_df,dup_df])
    return res_df

df1 = pd.DataFrame({'col1':list('01234')}, index=list('AABCD'))
df1

df2 = pd.DataFrame({'col2':list('opqrst')}, index=list('ABBCEE'))
df2

join(df1, df2, how='outer')