我有两个 pandas 数据框,其中一些索引和一些列名称是共同的(例如与常见数量相关的部分重叠的时间序列)。
我需要将这两个数据帧合并到一个包含所有索引和每个索引的所有值的数据帧中,保留左(右)数据帧的值,以防索引列组合出现在两个数据帧中。
合并和联接方法都没有帮助,因为合并方法会重复我不需要的信息,而联接会导致同样的问题。
获得我需要的结果的有效方法是什么?
编辑: 例如,如果我有两个数据框
df1 = pd.DataFrame({
'C1' : [1.1, 1.2, 1.3],
'C2' : [2.1, 2.2, 2.3],
'C3': [3.1, 3.2, 3.3]},
index=['a', 'b', 'c'])
df2 = pd.DataFrame({
'C3' : [3.1, 3.2, 33.3],
'C4' : [4.1, 4.2, 4.3]},
index=['b', 'c', 'd'])
我需要的是一种允许我创建的方法:
merged = pd.DataFrame({
'C1': [1.1, 1.2, 1.3, 'nan'],
'C2': [2.1, 2.2, 2.3, 'nan'],
'C3': [3.1, 3.2, 3.3, 33.3],
'C4': ['nan', 4.1, 4.2, 4.3]},
index=['a', 'b', 'c', 'd'])
最佳答案
以下是三种可能性:
使用
concat/groupby
:首先垂直连接两个DataFrame。然后按索引分组并选择每组中的第一行。使用
combine_first
:创建一个新索引,它是df1
和df2
的并集。使用新索引重新索引df1
。然后使用combine_first
使用df2
中的值填充 NaN。使用手动构造:我们可以使用
df2.index.difference(df1.index)
来准确查找需要添加到df1
中的行。因此,我们可以手动从df2
中选择这些行并将它们连接到df1
。
对于小型 DataFrame,using_concat
速度更快。对于较大的 DataFrame,using_combine_first
似乎比其他选项稍快:
import numpy as np
import pandas as pd
import perfplot
def make_dfs(N):
df1 = pd.DataFrame(np.random.randint(10, size=(N,2)))
df2 = pd.DataFrame(np.random.randint(10, size=(N,2)), index=range(N//2,N//2 + N))
return df1, df2
def using_concat(dfs):
df1, df2 = dfs
result = pd.concat([df1,df2], sort=False)
n = result.index.nlevels
return result.groupby(level=range(n)).first()
def using_combine_first(dfs):
df1, df2 = dfs
index = df1.index.union(df2.index)
result = df1.reindex(index)
result = result.combine_first(df2)
return result
def using_manual_construction(dfs):
df1, df2 = dfs
index = df2.index.difference(df1.index)
cols = df2.columns.difference(df1.columns)
result = pd.concat([df1, df2.loc[index]], sort=False)
result.loc[df2.index, cols] = df2
return result
perfplot.show(
setup=make_dfs,
kernels=[using_concat, using_combine_first,
using_manual_construction],
n_range=[2**k for k in range(5,21)],
logx=True,
logy=True,
xlabel='len(df)')
关于python - pandas 聚合来自两个数据框的数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51024619/