Pandas 的Merge函数详解

在日常工作中，我们可能会从多个数据集中获取数据，并且希望合并两个或多个不同的数据集。这时就可以使用Pandas包中的Merge函数。在本文中，我们将介绍用于合并数据的三个函数

merge

、

merge_ordered

、

merge_asof

merge

merge函数是Pandas中执行基本数据集合并的首选函数。函数将根据给定的数据集索引或列组合两个数据集。

我们使用下面试示例：

 import pandas as pd
 
 customer = pd.DataFrame({'cust_id': [1,2,3,4,5],
                     'cust_name': ['Maria', 'Fran', 'Dominique', 'Elsa', 'Charles'],
                    'country': ['German', 'Spain', 'Japan', 'Poland', 'Argentina']})
 
 order = pd.DataFrame({'order_id': [200, 201,202,203,204],
                       'cust_id':[1,3,3,4,2],
                       'order_date': ['2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],
                       'order_value': [10.1, 20.5, 18.7, 19.1, 13.5]})

我们尝试模拟两个不同的数据集:客户和订单数据，其中cust_id列同时存在于两个DataFrame中。

 pd.merge(customer, order)

默认情况下，merge函数是这样工作的:

将按列合并，并尝试从两个数据集中找到公共列，使用来自两个DataFrame(内连接)的列值之间的交集。

列和索引合并

在上面合并的数据集中，merge函数在cust_id列上连接两个数据集，因为它是唯一的公共列。我们也可以指定要在两个数据集上连接的列名。

如果两个列的名称都存在于两个DataFrame中，则可以使用参数on。

 pd.merge(customer, order, on = 'cust_id')

结果与前面的示例类似，因为cust_id是唯一的公共列。但是如果两个DataFrame都包含两个或多个具有相同名称的列，则这个参数就很重要。

我们来创建一个包含两个相似列的数据。

 customer = pd.DataFrame({'cust_id': [1,2,3,4,5],
                     'cust_name': ['Maria', 'Fran', 'Dominique', 'Elsa', 'Charles'],
                    'country': ['German', 'Spain', 'Japan', 'Poland', 'Argentina']})
 
 order = pd.DataFrame({'order_id': [200, 201,202,203,204],
                       'cust_id':[1,3,3,4,2],
                       'order_date': ['2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],
                       'order_value': [10.1, 20.5, 18.7, 19.1, 13.5],
                      'country' : ['German', 'Indonesia', 'Armenia', 'Singapore', 'Japan']
                      })

数据集现在包含两个名称相似的列:cust_id和country。让我们看看如果使用默认方法合并两个DataFrame会发生什么。

 pd.merge(customer, order)

只剩下一行了，这是因为merge函数将使用与键名相同的所有列来合并两个数据集。所以现在是通过cust_id和country中找到的相同值来实现合并的。

还有一个问题，我们指定一个列后，其他的重复列（这里是country），现在存在country_x和country_y列。这两列是来自各自数据集的国家列。country_x来自Customer数据集，country_y来自Order数据集。

为了帮助区分合并过程中相同列名的结果，我们可以将一个元组对象传递给suffix参数。

 pd.merge(customer, order, on ='cust_id', suffixes = ('_customer', '_order'))

使用suffix参数，可以让我们避免混淆，或者在合并前我们直接将列改名

 customer = customer.rename(columns = {'country':'customer_country'})
 order = order.rename(columns = {'country':'delivery_country'})

这样就不会造成混淆了。

然是如果我们要合并的列名在两个数据集不同时，on参数就没有效果了，这时就需要使用left_on和right_on参数，我们这里以刚刚改名的country列为例:

 pd.merge(customer, order, 
 left_on = 'customer_country', right_on = 'delivery_country',
 suffixes = ('_customer', '_order'))

在上面的代码中，我们将左侧数据集(Customer)上想要合并的列传递给left_on参数，将右侧数据集(Order)的列名传递给right_on参数。

left_on和right_on参数是串联工作的，因此我们不能在left_on参数中传递列名，而将right_on参数保留为空。

我们也可以使用left_index和right_index来替换left_on和right_on参数。right_index和left_index参数控制merge函数，以根据索引而不是列连接数据集。

 pd.merge(customer, order, left_index = True,  right_on = 'cust_id', 
 suffixes = ('_customer', '_order'))

在上面的代码将True值传递给left_index参数，表示希望使用左侧数据集上的索引作为连接键。合并过程类似于下图。

当我们按索引和列合并时，DataFrame结果将由于合并(匹配的索引)会增加一个额外的列。

合并类型介绍

默认情况下，当我们合并数据集时，merge函数将执行Inner Join。在Inner Join中，根据键之间的交集选择行。匹配在两个键列或索引中找到的相同值。

下图显示了Inner Join图，其中只选择了Customer和Order数据集上的列和/或索引之间匹配的值。

 pd.merge(customer, order, left_on = 'customer_country',  
         right_on = 'delivery_country', suffixes = ('_customer', '_order'),
         how = 'inner')

我们也可以使用左连接和右连接来保留想要的DataFrame。

 pd.merge(customer, order, left_on = 'customer_country',  
          right_on = 'delivery_country', suffixes = ('_customer', '_order'),
         how = 'left', indicator = True)

上面的代码，所有与订单数据值不匹配的客户数据值都用NaN值填充。

indicator=True参数，将创建_merge列。在上面的结果中，可以看到两个值都表明该行来自DataFrame和left_only的交集，其中该行来自第一个DataFrame(左侧)。

如果要执行右连接，可以使用以下代码。

 pd.merge(customer, order, left_on = 'customer_country',  
         right_on = 'delivery_country', suffixes = ('_customer', '_order'),
         how = 'right', indicator = True)

还可以在合并过程中使用外连接来保留两个DataFrame。我们可以把外连接看作是同时进行的左连接和右连接。

最后就是交叉连接，将合并两个DataFrame之间的每个数据行。

让我们用下面的代码尝试交叉连接。

 pd.merge(customer, order, how = 'cross', suffixes = ('_customer', '_order'))

DataFrame将Customer数据中的每一行都与Order数据结合起来。

merge_ordered

在 Pandas 中，

merge_ordered

是一种用于合并有序数据的函数。它类似于

merge

函数，但适用于处理时间序列数据或其他有序数据。

merge_ordered

在合并时会保留原始数据的顺序，并且支持对缺失值进行处理。

 pd.merge_ordered(customer, order)

默认情况下，merge_ordered将执行Outer Join并根据连接键对数据进行排序。我们也可以像更改合并类型一样调整how参数。

merge_ordered是为有序数据(如时间序列)开发的。所以我们创建另一个名为Delivery的数据集来模拟时间序列数据合并。

 order = pd.DataFrame({'order_id': [200, 201,202,203,204],
                       'cust_id':[1,3,3,4,2],
                       'order_date': ['2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],
                       'order_value': [10.1, 20.5, 18.7, 19.1, 13.5],
                      'delivery_country' : ['German', 'Indonesia', 'Armenia', 'Singapore', 'Japan']
                      })
 
 delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-08', '2014-07-09', '2014-07-10'], 
                         'product': ['Apple', 'Apple', 'Orange', 'Orange']})

让我们假设delivery_date是投递时间，它包含与Order数据集中的order_date一起使用。另外就是我们还需要将日期列转换为datetime对象。

 order['order_date'] = pd.to_datetime(order['order_date'])
 delivery['delivery_date'] = pd.to_datetime(delivery['delivery_date'])

让我们尝试按日期列合并两个数据集。

 pd.merge_ordered(order, delivery, 
 left_on = 'order_date', right_on = 'delivery_date')

合并的DataFrame是按连接键排序的Order和Delivery数据集的Outer Join结果。

由于是外连接，一些数据点是空的。对于merge_ordered，有一个选项可以通过使用fill_method参数来填充缺失的值。

 pd.merge_ordered(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', fill_method = 'ffill' )

在上面的DataFrame中执行前向填充方法来计算缺失的值。

最后merge_ordered函数还可以基于数据集列执行DataFrame分组，并将它们一块一块地合并到另一个数据集。

 pd.merge_ordered(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', right_by = 'product')

在上面的代码中将product列传递给right_by参数，这样product列中的每个值都映射到每个可用行，并且用于对数据进行分组的同一DataFrame中不存在的数据用NaN填充。

为了进一步理解，我们在合并之前添加日期来对数据进行分组。

 pd.merge_ordered(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', right_by = ['delivery_date','product'])

在上面的合并过程中，我们最终得到了4个不同的组:

     ['2014–07–06', 'Apple'],
     ['2014–07–08', 'Apple'],
     ['2014–07–09', 'Orange'],
     ['2014–07–10', 'Orange']

该组基于所使用列中的现有行，因此它不是所有惟一值的组合。例如，没有[' 2014-07-09 '，'Apple']组，因为此数据不存在。

在上面的DataFrame中可以看到Order数据集中的每一行都映射到Delivery数据集中的组。

merge_asof

merge_asof

是一种用于按照最近的关键列值合并两个数据集的函数。这个函数用于处理时间序列数据或其他有序数据，并且可以根据指定的列或索引按照最接近的值进行合并。

 order = pd.DataFrame({'order_id': [199, 200, 201,202,203,204],
                       'cust_id':[1,1,3,3,4,2],
                       'order_date': ['2014-07-01', '2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],
                       'order_value': [11, 10.1, 20.5, 18.7, 19.1, 13.5],
                      'delivery_country' : ['Poland', 'German', 'Indonesia', 'Armenia', 'Singapore', 'Japan']
                      })
 
 delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-08', '2014-07-09', '2014-07-10'], 
                         'product': ['Apple', 'Apple', 'Orange', 'Orange']})

使用merge_asof函数的一个注意事项是，必须按键对两个DataFrame进行排序。这是因为它将根据键的距离合并键，而未排序的DataFrame将抛出错误消息。

使用merge_asof类似于其他的合并操作，需要传递想要合并的DataFrame及其键名称。

 pd.merge_asof(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date')

我们可以看到一些数据被合并了，但不是精确的值匹配。比如在第三行和第四行，order_date值为“2014-07-07”，但delivery_date为“2014-07-06”。

使用merge_asof会丢失数据。默认情况下它查找最接近匹配的已排序的键。在上面的代码中，与delivery_date不完全匹配的order_date试图在delivery_date列中找到与order_date值较小或相等的键。

delivery_date中小于等于order_date' 2014-07-07 '的值为' 2014-07-06 '。这就是为什么合并发生在这个键上。而order_date ' 2017-04-01 '和' 2017-04-05 '根本没有匹配，因为在delivery_date中没有小于或等于它们的值的值。

如果在正确的DataFrame中有多个重复的键，则只有最后一行用于合并过程。例如将更改delivery_date数据，使其具有多个不同产品的“2014-07-06”值。

 delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-06', '2014-07-08', '2014-07-10'], 
                         'product': ['Apple', 'Orange', 'Apple', 'Orange']})

然后我们将执行与之前相同的合并过程。

 pd.merge_asof(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date')

可以看到，合并过程对Orange产品而不是Apple产品使用delivery_date ，尽管两者具有相同的键值。另外具有精确匹配的键也会受到影响，它们会选择最后一行键。

可以通过设置allow_exact_matches=False来关闭精确匹配合并。

 pd.merge_asof(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', allow_exact_matches = False)

通过使用direction 参数来改变查找键的策略。例如使用向前策略：

 pd.merge_asof(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', direction = 'forward')

向前策略与向后策略类似，不同之处在于该函数将通过查看大于或等于正确DataFrame键的值来尝试合并。

另一个可以使用的策略是就近策略。在这个策略中使用向后或向前策略;取绝对距离中最近的那个。如果有多个最接近的键或精确匹配，则使用向后策略。

 pd.merge_asof(order, delivery, left_on = 'order_date',
  right_on = 'delivery_date', direction = 'nearest')

最后还可以通过使用tolerance 参数来控制键之间的距离。

 pd.merge_asof(order, delivery, left_on = 'order_date', 
 right_on = 'delivery_date', direction = 'forward', 
 tolerance = pd.Timedelta(1, 'd'))

在上面的示例中，只有第一行包含缺失值。这是因为order_date第一行与最近的日期delivery_date之间的距离大于一天。第二行成功合并，因为只差一天。

总结

Pandas函数提供了Merge函数可以轻松的帮助我们合并数据，而merge_ordered函数和merge_asof可以帮助我们进行更加定制化的合并工作，虽然这两个函数可能并不常见，但是它们的确在一些特殊的需求上非常的好用。

https://avoid.overfit.cn/post/9928a4b397734cfcb4aea5a232eec095

作者：Cornellius Yudha Wijaya