python数据分析（六）：Pandas 多数据操作全面指南

Pandas 多数据操作全面指南：Merge, Join, Concatenate 与 Compare

1. 引言

在数据分析工作中，我们经常需要处理多个数据集并将它们以各种方式组合起来。Pandas 提供了多种强大的多数据操作方法，包括合并(merge)、连接(join)、连接(concatenate)和比较(compare)等。本文将详细介绍这些功能，并通过实际代码示例展示如何使用它们。

2. 数据合并 (Merge)

2.1 基本合并操作

merge() 是 Pandas 中最常用的数据合并方法，类似于 SQL 中的 JOIN 操作。

import pandas as pd# 创建两个示例DataFrame
df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],'value': [1, 2, 3, 4]})df2 = pd.DataFrame({'key': ['B', 'D', 'E', 'F'],'value': [5, 6, 7, 8]})# 内连接(inner join)
result = pd.merge(df1, df2, on='key')
print("Inner Join:\n", result)

输出：

Inner Join:key  value_x  value_y
0   B        2        5
1   D        4        6

解释：

on='key' 指定了合并的键
默认是内连接(inner join)，只保留两个DataFrame中都有的键
自动为相同列名添加后缀 _x 和 _y

2.2 不同类型的连接

# 左连接(left join)
result = pd.merge(df1, df2, on='key', how='left')
print("\nLeft Join:\n", result)# 右连接(right join)
result = pd.merge(df1, df2, on='key', how='right')
print("\nRight Join:\n", result)# 外连接(full outer join)
result = pd.merge(df1, df2, on='key', how='outer')
print("\nOuter Join:\n", result)

输出：

Left Join:key  value_x  value_y
0   A        1      NaN
1   B        2      5.0
2   C        3      NaN
3   D        4      6.0Right Join:key  value_x  value_y
0   B      2.0        5
1   D      4.0        6
2   E      NaN        7
3   F      NaN        8Outer Join:key  value_x  value_y
0   A      1.0      NaN
1   B      2.0      5.0
2   C      3.0      NaN
3   D      4.0      6.0
4   E      NaN      7.0
5   F      NaN      8.0

解释：

how 参数控制连接类型：‘left’, ‘right’, ‘outer’, ‘inner’
缺失值用 NaN 填充

2.3 多键合并

# 创建含有多个键的DataFrame
df3 = pd.DataFrame({'key1': ['A', 'B', 'C', 'D'],'key2': ['W', 'X', 'Y', 'Z'],'value': [1, 2, 3, 4]})df4 = pd.DataFrame({'key1': ['B', 'D', 'E', 'F'],'key2': ['X', 'Z', 'Y', 'W'],'value': [5, 6, 7, 8]})# 多键合并
result = pd.merge(df3, df4, on=['key1', 'key2'])
print("\nMulti-key Merge:\n", result)

输出：

Multi-key Merge:key1 key2  value_x  value_y
0    B    X        2        5
1    D    Z        4        6

3. 数据连接 (Join)

3.1 DataFrame的join方法

join() 是 merge() 的便捷方法，默认按索引连接。

# 设置索引
df1.set_index('key', inplace=True)
df2.set_index('key', inplace=True)# 使用join连接
result = df1.join(df2, lsuffix='_left', rsuffix='_right')
print("\nJoin on Index:\n", result)

输出：

Join on Index:value_left  value_right
key                          
A           1.0          NaN
B           2.0          5.0
C           3.0          NaN
D           4.0          6.0

解释：

默认是左连接
必须指定 lsuffix 和 rsuffix 来处理列名冲突
按索引连接而不是列

3.2 按列连接

# 重置索引
df1.reset_index(inplace=True)
df2.reset_index(inplace=True)# 按列连接
result = df1.set_index('key').join(df2.set_index('key'), how='outer', lsuffix='_left', rsuffix='_right')
print("\nJoin on Column:\n", result)

4. 数据连接 (Concatenate)

4.1 基本连接操作

concat() 用于沿特定轴连接多个DataFrame或Series。

# 创建示例DataFrame
df5 = pd.DataFrame({'A': ['A0', 'A1', 'A2'],'B': ['B0', 'B1', 'B2']},index=[0, 1, 2])df6 = pd.DataFrame({'A': ['A3', 'A4', 'A5'],'B': ['B3', 'B4', 'B5']},index=[3, 4, 5])# 垂直连接(沿axis=0)
result = pd.concat([df5, df6])
print("\nVertical Concatenation:\n", result)# 水平连接(沿axis=1)
result = pd.concat([df5, df6], axis=1)
print("\nHorizontal Concatenation:\n", result)

输出：

Vertical Concatenation:A   B
0  A0  B0
1  A1  B1
2  A2  B2
3  A3  B3
4  A4  B4
5  A5  B5Horizontal Concatenation:A   B    A    B
0  A0  B0  NaN  NaN
1  A1  B1  NaN  NaN
2  A2  B2  NaN  NaN
3  NaN  NaN  A3  B3
4  NaN  NaN  A4  B4
5  NaN  NaN  A5  B5

4.2 连接时处理索引

# 忽略原有索引
result = pd.concat([df5, df6], ignore_index=True)
print("\nConcatenation with Ignored Index:\n", result)# 添加多级索引
result = pd.concat([df5, df6], keys=['df5', 'df6'])
print("\nConcatenation with MultiIndex:\n", result)

5. 数据比较 (Compare)

5.1 比较两个DataFrame

Pandas 提供了多种比较DataFrame的方法。

# 创建两个相似但有差异的DataFrame
df7 = pd.DataFrame({'A': [1, 2, 3],'B': [4, 5, 6]})df8 = pd.DataFrame({'A': [1, 2, 4],'B': [4, 6, 6]})# 使用compare方法(需要Pandas 1.1.0+)
try:comparison = df7.compare(df8)print("\nDataFrame Comparison:\n", comparison)
except AttributeError:print("\ncompare() method requires pandas 1.1.0 or later")# 替代方法diff = df7 != df8print("\nDifference:\n", diff)

输出（如果使用compare方法）：

DataFrame Comparison:A       B      self other self other
2  3.0   4.0  NaN   NaN
1  NaN   NaN  5.0   6.0

5.2 比较并标记差异

# 标记所有差异
def highlight_diff(data, color='yellow'):attr = f'background-color: {color}'other = data.xs('other', axis='columns', level=-1)self = data.xs('self', axis='columns', level=-1)return pd.DataFrame(np.where(self != other, attr, ''),index=data.index, columns=data.columns)comparison.style.apply(highlight_diff, axis=None)

6. 其他实用合并技巧

6.1 合并时处理重复列名

# 合并时有重复列名
df9 = pd.DataFrame({'key': ['A', 'B', 'C'],'value': [1, 2, 3]})df10 = pd.DataFrame({'key': ['B', 'C', 'D'],'value': [4, 5, 6]})result = pd.merge(df9, df10, on='key', suffixes=('_left', '_right'))
print("\nMerge with Suffixes:\n", result)

6.2 合并时验证关系

# 验证合并关系(确保是一对一、一对多或多对一)
try:result = pd.merge(df9, df10, on='key', validate='one_to_one')print("\nValidated Merge:\n", result)
except Exception as e:print("\nValidation Error:", e)

7. 性能考虑

7.1 合并大型DataFrame

# 创建大型DataFrame
import numpy as np
n = 1000000
big_df1 = pd.DataFrame({'key': np.random.randint(0, 10000, size=n),'value1': np.random.randn(n)})big_df2 = pd.DataFrame({'key': np.random.randint(0, 10000, size=n),'value2': np.random.randn(n)})# 比较合并方法的性能
%timeit pd.merge(big_df1, big_df2, on='key')
%timeit big_df1.merge(big_df2, on='key')