[英]How to merge multiple dataframes
我有不同的數據框,需要根據日期列將它們合並在一起。 如果我只有兩個數據幀,我可以使用df1.merge(df2, on='date')
,要用三個數據幀來做,我使用df1.merge(df2.merge(df3, on='date'), on='date')
,但是使用多個數據幀來完成它變得非常復雜且不可讀。
所有數據框都有一個共同的列 - date
,但它們沒有相同的行數和列數,我只需要那些行,其中每個日期對於每個 dataframe 都是共同的。
所以,我正在嘗試編寫一個遞歸 function,它返回一個包含所有數據的 dataframe,但它沒有用。 那我應該如何合並多個數據框呢?
我嘗試了不同的方法,但遇到了錯誤,例如out of range
、 keyerror 0/1/2/3
並且can not merge DataFrame with instance of type <class 'NoneType'>
。
這是我寫的腳本:
dfs = [df1, df2, df3] # list of dataframes
def mergefiles(dfs, countfiles, i=0):
if i == (countfiles - 2): # it gets to the second to last and merges it with the last
return
dfm = dfs[i].merge(mergefiles(dfs[i+1], countfiles, i=i+1), on='date')
return dfm
print(mergefiles(dfs, len(dfs)))
一個例子:df_1:
May 19, 2017;1,200.00;0.1%
May 18, 2017;1,100.00;0.1%
May 17, 2017;1,000.00;0.1%
May 15, 2017;1,901.00;0.1%
df_2:
May 20, 2017;2,200.00;1000000;0.2%
May 18, 2017;2,100.00;1590000;0.2%
May 16, 2017;2,000.00;1230000;0.2%
May 15, 2017;2,902.00;1000000;0.2%
df_3:
May 21, 2017;3,200.00;2000000;0.3%
May 17, 2017;3,100.00;2590000;0.3%
May 16, 2017;3,000.00;2230000;0.3%
May 15, 2017;3,903.00;2000000;0.3%
預期合並結果:
May 15, 2017; 1,901.00;0.1%; 2,902.00;1000000;0.2%; 3,903.00;2000000;0.3%
如果不涉及復雜查詢,下面是合並多個數據幀的最干凈、最易理解的方法。
只需簡單地將DATE合並為索引並使用OUTER方法進行合並(以獲取所有數據)。
import pandas as pd
from functools import reduce
df1 = pd.read_table('file1.csv', sep=',')
df2 = pd.read_table('file2.csv', sep=',')
df3 = pd.read_table('file3.csv', sep=',')
現在,基本上將您擁有的所有文件作為數據框加載到列表中。 然后,使用merge
或reduce
功能合並文件。
# compile the list of dataframes you want to merge
data_frames = [df1, df2, df3]
注意:您可以在上面的列表中添加盡可能多的數據框。 這是這種方法的優點。 不涉及復雜的查詢。
要保留屬於同一日期的值,您需要在DATE
合並它
df_merged = reduce(lambda left,right: pd.merge(left,right,on=['DATE'],
how='outer'), data_frames)
# if you want to fill the values that don't exist in the lines of merged dataframe simply fill with required strings as
df_merged = reduce(lambda left,right: pd.merge(left,right,on=['DATE'],
how='outer'), data_frames).fillna('void')
如果需要,然后將合並的數據寫入 csv 文件。
pd.DataFrame.to_csv(df_merged, 'merged.txt', sep=',', na_rep='.', index=False)
這應該給你
DATE VALUE1 VALUE2 VALUE3 ....
看起來數據具有相同的列,因此您可以:
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)
merged_df = pd.concat([df1, df2])
functools.reduce和pd.concat是很好的解決方案,但就執行時間而言 pd.concat 是最好的。
from functools import reduce
import pandas as pd
dfs = [df1, df2, df3, ...]
nan_value = 0
# solution 1 (fast)
result_1 = pd.concat(dfs, join='outer', axis=1).fillna(nan_value)
# solution 2
result_2 = reduce(lambda df_left,df_right: pd.merge(df_left, df_right,
left_index=True, right_index=True,
how='outer'),
dfs).fillna(nan_value)
有兩種解決方案,但它分別返回所有列:
import functools
dfs = [df1, df2, df3]
df_final = functools.reduce(lambda left,right: pd.merge(left,right,on='date'), dfs)
print (df_final)
date a_x b_x a_y b_y c_x a b c_y
0 May 15,2017 900.00 0.2% 1,900.00 1000000 0.2% 2,900.00 2000000 0.2%
k = np.arange(len(dfs)).astype(str)
df = pd.concat([x.set_index('date') for x in dfs], axis=1, join='inner', keys=k)
df.columns = df.columns.map('_'.join)
print (df)
0_a 0_b 1_a 1_b 1_c 2_a 2_b 2_c
date
May 15,2017 900.00 0.2% 1,900.00 1000000 0.2% 2,900.00 2000000 0.2%
另一種組合方式: functools.reduce
從文檔:
例如,
reduce(lambda x, y: x+y, [1, 2, 3, 4, 5])
計算 ((((1+2)+3)+4)+5)。 左邊的參數 x 是累積值,右邊的參數 y 是迭代的更新值。
所以:
from functools import reduce
dfs = [df1, df2, df3, df4, df5, df6]
df_final = reduce(lambda left,right: pd.merge(left,right,on='some_common_column_name'), dfs)
@dannyeuu 的回答是正確的。 如果將軸選項設置為 1,pd.concat 自然會在索引列上進行連接。默認為外連接,但您也可以指定內連接。 這是一個例子:
x = pd.DataFrame({'a': [2,4,3,4,5,2,3,4,2,5], 'b':[2,3,4,1,6,6,5,2,4,2], 'val': [1,4,4,3,6,4,3,6,5,7], 'val2': [2,4,1,6,4,2,8,6,3,9]})
x.set_index(['a','b'], inplace=True)
x.sort_index(inplace=True)
y = x.__deepcopy__()
y.loc[(14,14),:] = [3,1]
y['other']=range(0,11)
y.sort_values('val', inplace=True)
z = x.__deepcopy__()
z.loc[(15,15),:] = [3,4]
z['another']=range(0,22,2)
z.sort_values('val2',inplace=True)
pd.concat([x,y,z],axis=1)
filenames = ['fn1', 'fn2', 'fn3', 'fn4',....]
dfs = [pd.read_csv(filename, index_col=index_col) for filename in filenames)]
dfs[0].join(dfs[1:])
@everestial007 的解決方案對我有用。 這就是我為我的用例改進它的方式,即讓每個不同 df 的列具有不同的后綴,以便我可以更輕松地區分最終合並數據幀中的 dfs。
from functools import reduce
import pandas as pd
dfs = [df1, df2, df3, df4]
suffixes = [f"_{i}" for i in range(len(dfs))]
# add suffixes to each df
dfs = [dfs[i].add_suffix(suffixes[i]) for i in range(len(dfs))]
# remove suffix from the merging column
dfs = [dfs[i].rename(columns={f"date{suffixes[i]}":"date"}) for i in range(len(dfs))]
# merge
dfs = reduce(lambda left,right: pd.merge(left,right,how='outer', on='date'), dfs)
如果您按公共日期過濾,這將返回它:
dfs = [df1, df2, df3]
checker = dfs[-1]
check = set(checker.loc[:, 0])
for df in dfs[:-1]:
check = check.intersection(set(df.loc[:, 0]))
print(checker[checker.loc[:, 0].isin(check)])
感謝您對@ jezrael 、@ zipa和@everestial007的幫助,這兩個答案都是我所需要的。 如果我想進行遞歸,這也可以按預期工作:
def mergefiles(dfs=[], on=''):
"""Merge a list of files based on one column"""
if len(dfs) == 1:
return "List only have one element."
elif len(dfs) == 2:
df1 = dfs[0]
df2 = dfs[1]
df = df1.merge(df2, on=on)
return df
# Merge the first and second datafranes into new dataframe
df1 = dfs[0]
df2 = dfs[1]
df = dfs[0].merge(dfs[1], on=on)
# Create new list with merged dataframe
dfl = []
dfl.append(df)
# Join lists
dfl = dfl + dfs[2:]
dfm = mergefiles(dfl, on)
return dfm
對我來說,在沒有明確指示的情況下會忽略索引。 例子:
> x = pandas.DataFrame({'a': [1,2,2], 'b':[4,5,5]})
> x
a b
0 1 4
1 2 5
2 2 5
> x.drop_duplicates()
a b
0 1 4
1 2 5
(盡管索引不同,但刪除了重復的行)
我有一個類似的用例並在下面解決了。 基本上捕獲了列表中的第一個df,然后循環通過提醒並將它們合並到合並結果將替換前一個的位置。
編輯:我正在處理非常小的數據框 - 不確定這種方法如何擴展到更大的數據集。 #買者自負
import pandas as pd
df_list = [df1,df2,df3, ...dfn]
# grab first dataframe
all_merged = df_list[0]
# loop through all but first data frame
for to_merge in df_list[1:]:
# result of merge replaces first or previously
# merged data frame w/ all previous fields
all_merged = pd.merge(
left=all_merged
,right=to_merge
,how='inner'
,on=['some_fld_across_all']
)
# can easily have this logic live in a function
def merge_mult_dfs(df_list):
all_merged = df_list[0]
for to_merge in df_list[1:]:
all_merged = pd.merge(
left=all_merged
,right=to_merge
,how='inner'
,on=['some_fld_across_all']
)
return all_merged
您也可以像這樣使用dataframe.merge
df = df1.merge(df2).merge(df3)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.