熊猫左外连接导致表大于左表

Question

根据我对左外连接的理解，结果表的行数永远不应多于左表......如果这是错误的，请告诉我......

我的左表是 192572 行和 8 列。

我的右表是 42160 行和 5 列。

我的左表有一个名为“id”的字段，它与我右表中名为“key”的列相匹配。

因此，我将它们合并如下：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key')

但是组合后的形状是 236569。

我有什么误解？

Answer 1

如果键匹配另一个 DataFrame 中的多行，您可以预期这一点会增加：

In [11]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [12]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

In [13]: df.merge(df2, how='left')  # merges on columns A
Out[13]: 
   A  B   C
0  1  3   5
1  1  3   6
2  2  4 NaN

为避免这种行为，请删除df2 中的重复项：

In [21]: df2.drop_duplicates(subset=['A'])  # you can use take_last=True
Out[21]: 
   A  C
0  1  5

In [22]: df.merge(df2.drop_duplicates(subset=['A']), how='left')
Out[22]: 
   A  B   C
0  1  3   5
1  2  4 NaN

Answer 2

您还可以使用一些策略来避免这种行为，例如，如果并非所有列都重复，则不会丢失重复数据。 如果你有

In [1]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [2]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

一种方法是取重复的平均值（也可以取总和等......）

In [3]: df3 = df2.groupby('A').mean().reset_index()

In [4]: df3
Out[4]: 
     C
A     
1  5.5

In [5]: merged = pd.merge(df,df3,on=['A'], how='outer')

In [6]: merged
Out[204]: 
   A  B    C
0  1  3  5.5
1  2  4  NaN

或者，如果您有无法使用 pd.to_numeric() 转换的非数字数据，或者您只是不想取平均值，则可以通过枚举重复项来更改合并变量。 但是，当两个数据集中都存在重复项时，此策略将适用（这将导致相同的问题行为，也是一个常见问题）：

In [7]: df = pd.DataFrame([['a', 3], ['b', 4],['b',0]], columns=['A', 'B'])

In [8]: df2 = pd.DataFrame([['a', 3], ['b', 8],['b',5]], columns=['A', 'C'])

In [9]: df['count'] = df.groupby('A')['B'].cumcount()

In [10]: df['A'] = np.where(df['count']>0,df['A']+df['count'].astype(str),df['A'].astype(str))

In[11]: df
Out[11]: 
    A  B  count
0   a  3      0
1   b  4      0
2  b1  0      1

对 df2 执行相同操作，删除 df 和 df2 中的计数变量并合并到“A”上：

In [16]: merged
Out[16]: 
    A  B  C
0   a  3  3        
1   b  4  8        
2  b1  0  5        

一些注意事项。 在最后一种情况下，我使用 .cumcount() 而不是 .duplicated ，因为对于给定的观察，您可能有多个重复项。 此外，我使用 .astype(str) 将计数值转换为字符串，因为我使用 np.where() 命令，但使用 pd.concat() 或其他东西可能允许不同的应用程序。

最后，如果只有一个数据集具有重复项但您仍想保留它们，那么您可以使用后一种策略的前半部分来区分结果合并中的重复项。

Answer 3

给定答案的一个小补充是，有一个名为 validate 的参数可用于在右表中匹配重复 ID 时抛出错误：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')

Answer 4

可能有多个条目具有相同的键值。 确保您没有关于右表中的键没有重复项。

# just check here which df has a different index and that should be reseted. here i'm assuming dataframe a has different index.

combined = pd.merge(a.reset_index(),b.drop_duplicates(['key']),how='left',left_on='id',right_on='key')

Answer 5

在您的情况下使用 drop_duplicates 将是：

merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()