使用merge()连接两个Pandas DataFrames

使用merge()函数连接两个Pandas DataFrames的过程如下：

准备数据

假设我们有两个数据集，分别是employees和departments。employees数据集包含雇员的基本信息，而departments数据集包含部门的基本信息。

import pandas as pd

# 定义employees数据集
employees = pd.DataFrame({
    'id': [1, 2, 3, 4],
    'name': ['Alice', 'Bob', 'Charlie', 'David'],
    'department_id': [1, 2, 2, 3],
})

# 定义departments数据集
departments = pd.DataFrame({
    'id': [1, 2, 3],
    'name': ['Sales', 'Marketing', 'Engineering'],
})

连接两个数据集

使用merge()函数连接两个数据集，代码如下：

# 连接两个数据集
merged = pd.merge(employees, departments, left_on='department_id', right_on='id')

# 查看连接结果
print(merged)

此时会输出一个新的DataFrame，包含了雇员的基本信息和部门的名称。

   id_x     name  department_id  id_y         name_y
0     1    Alice              1     1          Sales
1     2      Bob              2     2      Marketing
2     3  Charlie              2     2      Marketing
3     4    David              3     3  Engineering

重命名列名

为了更好的可读性，我们可以将列名进行重命名，代码如下：

# 重命名列名
merged = merged.rename(columns={'id_x': 'employee_id', 'name': 'employee_name', 'id_y': 'department_id', 'name_y': 'department_name'})

# 查看连接结果
print(merged)

此时会输出一个新的DataFrame，包含了重命名后的列名。

   employee_id employee_name  department_id department_name
0            1         Alice              1           Sales
1            2           Bob              2       Marketing
2            3       Charlie              2       Marketing
3            4         David              3   Engineering

首先解释参数

• left: 合并的左侧DataFrame对象。
• right: 合并的右侧DataFrame对象。
• on: 它是用于连接两个DataFrame的列名。这里有两个DataFrame可以共同指定。
• left_on: 左侧DataFrame对象的用作连接键的列。
• right_on: 右侧DataFrame对象的用作连接键的列。
• left_index: 如果为True，则使用左侧DataFrame对象的索引（行标签）作为其连接键。
• right_index: 与left_index功能类似，只不过使用的是右侧DataFrame对象的索引。
• how: Type of merge to be performed。left、right、outer、inner。默认为内连接 inner，上述示例均为内连接。
• suffixes: 字符串值，表示重复的列名的后缀，默认为_x、_y。

merge练习

我们再来做一个例子，此例连接两个数据集sales和sales_targets，代码如下：

# 定义sales数据集
sales = pd.DataFrame({
    'employee': ['Alice', 'Bob', 'Charlie', 'David'],
    'product': ['Product A', 'Product B', 'Product C', 'Product D'],
    'sales': [100, 200, 150, 300],
})

# 定义sales_targets数据集
sales_targets = pd.DataFrame({
    'employee': ['Alice', 'Charlie', 'David', 'Edward'],
    'product': ['Product A', 'Product C', 'Product D', 'Product E'],
    'target': [150, 200, 250, 100],
})

# 连接两个数据集
merged = pd.merge(sales, sales_targets, on=['employee', 'product'], how='left')

# 查看连接结果
print(merged)

此时会输出一个新的DataFrame，包含了销售记录和销售目标的信息。

   employee    product  sales  target
0     Alice  Product A    100   150.0
1       Bob  Product B    200     NaN
2   Charlie  Product C    150   200.0
3     David  Product D    300   250.0

在这个例子中，我们连接了两个数据集，并使用了左侧连接（left join），连接键为员工和产品，连接方式为内连接（inner join），重复列的后缀为「_x」和「_y」。左侧数据集sales包含了所有的销售记录，而右侧数据集sales_targets仅包含了销售目标。通过左连接，我们可以在结果中看到所有的销售记录，同时也可以看到有销售目标的记录。那些没有销售目标的记录被填充为「NaN」。