[英]Python - compare two columns in dataframe
我有兩個文件,兩者之間有微小差異。 我想輸出不同的值,以便可以看到更改的內容。 有很多要比較的列。
這是示例數據(示例中唯一的區別是第一行的狀態):
數據1
ID PROGRAM_CODE Status
123 888 Active
123 777 Active
345 777 Inactive
345 999 Active
678 666 Inactive
901 777 Inactive
901 888 Active
數據2
ID PROGRAM_CODE Status
123 888 BLAH
123 777 Active
345 777 Inactive
345 999 Active
678 666 Inactive
901 777 Inactive
901 888 Active
所需輸出:
ID Status_1 Status_2
123 Active Inactive
我當前的方法是創建列列表,合並兩個數據框,然后在for循環中使用列列表進行比較。 我相信我的代碼會比較系列並輸出整個系列(如果有任何區別的話)。 我只想查看具有不同值的一行。 此外,如果一個字段具有值,而另一字段中為空白,則此方法不起作用。
碼:
import pandas as pd
df1 = pd.read_excel(r"P:\data_files\data1.xlsx")
df2 = pd.read_excel(r"P:\data_files\data2.xlsx")
# create list of columns
l1 = list(df1)
# dropping the join values from the list because I don't want to compare those
l1 = [e for e in l1 if e not in ('ID','PROGRAM_CODE')]
# merge dataframes
df3 = df1.merge(df2, how='outer', on=['ID','PROGRAM_CODE'], suffixes=['_1', '_2'])
for x in l1:
if df3[x+'_1'].any() != df3[x+'_2'].any():
print(df3[['ID', x+'_1',x+'_2']])
上面的代碼的輸出:即使只有第一行的數據幀之間的值不同,也會顯示“狀態”列的所有值。
ID Status_1 Status_2
123 Active Blah
123 Active Active
345 Inactive Inactive
345 Active Active
678 Inactive Inactive
901 Inactive Inactive
901 Active Active
編輯12/12/17下面來自Wen的示例似乎適用於一列,但是我需要比較ID和Program_Code相同的兩個文件的每一行和每一列。
我嘗試了以下循環:
for x in l1:
print(df3.groupby('STUDENT_CID').x.apply(list).apply(pd.Series).add_prefix(x+'_'))
但我收到以下錯誤:
AttributeError: 'DataFrameGroupBy' object has no attribute 'x'
我需要一種遍歷每一列的方式(兩個文件都包含相同的列)。
附加示例:
數據文件1
ID PROGRAM_CODE I_CODE INSTITUTION TERM TYPE STATUS Hire_Date
123 888 111 ZBD Fall FINAL Active 1/1/2017 0:00
123 777 111 ZBD Fall FINAL Active 1/1/2017 0:00
345 777 125 GUB Fall FINAL Inactive 2/3/2017 0:00
345 999 125 GUB Fall FINAL Inactive 2/3/2017 0:00
678 999 111 ZBD Fall FINAL Active 1/1/2017 0:00
678 888 111 ZBD Fall FINAL Active 1/1/2017 0:00
901 888 654 YUI Fall FINAL Inactive 5/1/2017 0:00
901 777 654 YUI Fall FINAL Inactive 5/1/2017 0:00
數據文件2
ID PROGRAM_CODE I_CODE INSTITUTION TERM TYPE STATUS Hire_Date
123 888 111 ZBD Fall FINAL Inactive 1/1/2017 0:00
123 777 111 ZBD Fall FINAL Active 1/1/2017 0:00
345 777 111 ZBD Fall FINAL Inactive 2/3/2017 0:00
345 999 111 ZBD Fall FINAL Inactive 2/3/2017 0:00
678 999 111 ZBD Fall FINAL Active 1/1/2017 0:00
678 888 111 ZBD Fall FINAL Active 1/1/2017 0:00
901 888 654 YUI Fall FINAL Inactive 5/1/2017 0:00
901 777 654 YUI Fall FINAL Inactive 5/1/2017 0:00
期望的輸出
ID STATUS_1 STATUS_2
123 Active Inactive
ID INSTITUTION_1 INSTITUTION_2
345 125 111
我們使用pd.concat
+ drop_duplicates
df1=pd.concat([df1,df2]).drop_duplicates(keep=False)
df1
Out[1085]:
ID PROGRAM_CODE Status
0 123 888 Active
0 123 888 BLAH
然后我們groupby
創建您需要的表
df1.groupby('ID').Status.apply(list).apply(pd.Series).add_prefix('Status_')
Out[1094]:
Status_0 Status_1
ID
123 Active BLAH
更新
df=pd.concat([df1,df2]).drop_duplicates(keep=False)
dd=df.groupby('ID').agg(lambda x:sorted(set(x), key=list(x).index)).stack()
dd[dd.apply(len)>1]
Out[1194]:
ID
123 STATUS [Active, Inactive]
345 PROGRAM_CODE [777, 999]
I_CODE [125, 111]
INSTITUTION [GUB, ZBD]
我確定有更好的方法來執行此操作,但是您是否嘗試過合並數據框(如您現有的那樣),創建一個比較Status_1和Status_2的新列,然后刪除匹配項為True的任何行? 如果您之后刪除了“它們是否匹配”列,我相信您會獲得理想的輸出。
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.