pandas7- 连接

pandas6- 连接

6.1 关系型连接

6.1.1 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
姓名和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ID 号进行连接汇总。由此可以
看出，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 ，它们的区别可以用如下示意图
表示：

从图中可以看到，所谓左连接即以左边的键为准，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，右连接类似处理。内连接只负责合并两边同时出现的键，而外连接则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。
上面这个简单的例子中，同一个表中的键没有出现重复的情况，那么如果出现重复的键应该如何处理？只需
把握一个原则，即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。下面是一个对应例子的示意图：

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。

6.1.2 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 pandas as pd
import numpy as np
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')
# 错误的结果

	Name	Age	Class_x	Gender	Class_y
0	San Zhang	20	one	F	two
1	San Zhang	20	one	M	one
2	San Zhang	21	two	F	two
3	San Zhang	21	two	M	one

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

	Name	Age	Class	Gender
0	San Zhang	20	one	M
1	San Zhang	21	two	F

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，即一对一连
接1:1 ，一对多连接1:m ，多对一连接m:1 连接，第一个是指左右表的键都是唯一的，后面两个分别指左表
键唯一和右表键唯一。

6.1.3 索引连接

所谓索引连接，就是把索引当作键，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。

df1 = pd.DataFrame({'Age':[20,30]},index=pd.Series(['San Zhang','Si Li'],name='Name'))
df2 = pd.DataFrame({'Gender':['F','M']},index=pd.Series(['Si Li','Wu Wang'],name='Name'))
df1.join(df2, how='left')

	Age	Gender
Name
San Zhang	20	NaN
Si Li	30	F

df1 = pd.DataFrame({'Grade':[70]},index=pd.Series(['San Zhang'],name='Name'))
df2 = pd.DataFrame({'Grade':[80]},index=pd.Series(['San Zhang'],name='Name'))
df1.join(df2, how='left', lsuffix='_Chinese', rsuffix='_Math')

	Grade_Chinese	Grade_Math
Name
San Zhang	70	80

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')))
df1

		Age
Name	Class
San Zhang	one	20
	two	21

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

		Gender
Name	Class
San Zhang	two	F
	one	M

df1.join(df2)

		Age	Gender
Name	Class
San Zhang	one	20	M
	two	21	F

6.2 方向连接

6.2.1 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，它们是axis, join, keys ，分别表示拼接方向，连接形式，以及在新表中
指示来自于哪一张旧表的名字。这里需要特别注意，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])

	Name	Age
0	San Zhang	20
1	Si Li	30
0	Wu Wang	40

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

	Name	Age	Grade	Gender
0	San Zhang	20	80	M
1	Si Li	30	90	F

虽然说concat 不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])

	Name	Age	Gender
0	San Zhang	20.0	NaN
1	Si Li	30.0	NaN
0	Wu Wang	NaN	M

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

	Name	Age	Grade
0	San Zhang	20.0	NaN
1	Si Li	21.0	80.0
2	NaN	NaN	90.0

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

	Name	Age	Grade
1	Si Li	30	80

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。
最后，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'])

		Name	Age
one	0	San Zhang	20
	1	Si Li	21
two	0	Wu Wang	21

6.2.2 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)

	Name	Age
0	San Zhang	20
1	Si Li	21
2	Wu Wang	21

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)

	Name	Age	Grade
0	San Zhang	20	80
1	Si Li	21	90

df1['Grade'] = s
df1

	Name	Age	Grade
0	San Zhang	20	80
1	Si Li	21	90

6.3 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。

6.3.1 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)

	Name		Class
	self	other	self	other
1	Si Li	Li Si	NaN	NaN
2	NaN	NaN	three	Three

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)

	Name		Age		Class
	self	other	self	other	self	other
0	NaN	NaN	NaN	NaN	NaN	NaN
1	Si Li	Li Si	NaN	NaN	NaN	NaN
2	NaN	NaN	NaN	NaN	three	Three

6.3.2 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)

	A	B	C	D
0	NaN	NaN	NaN	NaN
1	NaN	4.0	6.0	NaN
2	NaN	NaN	NaN	NaN

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)

	A	B	C	D
0	1.0	NaN	NaN	NaN
1	2.0	4.0	6.0	NaN
2	NaN	NaN	NaN	NaN

6.4 练习

6.4.1 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']

答案到时候补

6.4.2 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

答案到时候补