[英]Pandas Left Outer Join results in table larger than left table
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?
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
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
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。
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')
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')
在您的情况下使用 drop_duplicates 将是:
merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.