关于python：pandas三向连接列上的多个数据帧


pandas three-way joining multiple dataframes on columns

我有3个CSV文件。 每个都有第一列作为人的(字符串)名称，而每个数据框中的所有其他列都是该人的属性。

如何将所有三个CSV文档"连接"在一起以创建单个CSV，每行具有该人员字符串名称的每个唯一值的所有属性？

pandas中的join()函数指定我需要一个多索引，但我对层次索引方案与基于单个索引进行连接有什么关系感到困惑。

相关讨论

假定进口：

1
import pandas as pd

John Galt的答案基本上是一个reduce操作。如果我有一些以上的数据帧，我会将它们放在这样的列表中(通过列表推导或循环或诸如此类生成)：

1
dfs = [df0, df1, df2, dfN]

假设他们有一些共同的列，比如示例中的Name，我会执行以下操作：

1
df_final = reduce(lambda left,right: pd.merge(left,right,on='name'), dfs)

这样，您的代码应该与您要合并的任意数量的数据帧一起使用。

编辑2016年8月1日：对于使用Python 3的用户：reduce已移至functools。因此，要使用此功能，您首先需要导入该模块：

1
from functools import reduce
相关讨论

如果您有3个数据帧，可以试试这个

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# Merge multiple dataframes
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

pd.merge(pd.merge(df1,df2,on='name'),df3,on='name')

或者，如cwharland所述

1
df1.merge(df2,on='name').merge(df3,on='name')
相关讨论

这是join方法的理想情况

join方法完全针对这些类型的情况构建。您可以与它一起加入任意数量的DataFrame。调用DataFrame与传递的DataFrames集合的索引相连接。要使用多个DataFrame，必须将连接列放在索引中。

代码看起来像这样：

1
2
3
filenames = ['fn1', 'fn2', 'fn3', 'fn4',....]
dfs = [pd.read_csv(filename, index_col=index_col) for filename in filenames)]
dfs[0].join(dfs[1:])

使用@ zero的数据，您可以这样做：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

dfs = [df1, df2, df3]
dfs = [df.set_index('name') for df in dfs]
dfs[0].join(dfs[1:])

     attr11 attr12 attr21 attr22 attr31 attr32
name                                          
a         5      9      5     19     15     49
b         4     61     14     16      4     36
c        24      9      4      9     14      9
相关讨论

对于数据帧df_list列表，也可以按如下方式完成此操作：

1
2
3
df = df_list[0]
for df_ in df_list[1:]:
    df = df.merge(df_, on='join_col_name')

或者如果数据帧在生成器对象中(例如，为了减少内存消耗)：

1
2
3
df = next(df_list)
for df_ in df_list:
    df = df.merge(df_, on='join_col_name')

在python 3.6.3中pandas 0.22.0，只要您将要用于加入的列设置为索引，也可以使用concat

1
2
3
4
pd.concat(
    (iDF.set_index('name') for iDF in [df1, df2, df3]),
    axis=1, join='inner'
).reset_index()

其中df1，df2和df3的定义与John Galt的答案相同

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import pandas as pd
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12']
)
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22']
)
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32']
)

这是一种合并数据帧字典同时保持列名与字典同步的方法。如果需要，它还会填写缺失值：

这是合并数据帧的dict的功能

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def MergeDfDict(dfDict, onCols, how='outer', naFill=None):
  keys = dfDict.keys()
  for i in range(len(keys)):
    key = keys[i]
    df0 = dfDict[key]
    cols = list(df0.columns)
    valueCols = list(filter(lambda x: x not in (onCols), cols))
    df0 = df0[onCols + valueCols]
    df0.columns = onCols + [(s + '_' + key) for s in valueCols]

    if (i == 0):
      outDf = df0
    else:
      outDf = pd.merge(outDf, df0, how=how, on=onCols)  

  if (naFill != None):
    outDf = outDf.fillna(naFill)

  return(outDf)

好的，让我们生成数据并测试一下：

1
2
3
4
5
6
7
8
9
10
11
12
13
def GenDf(size):
  df = pd.DataFrame({'categ1':np.random.choice(a=['a', 'b', 'c', 'd', 'e'], size=size, replace=True),
                      'categ2':np.random.choice(a=['A', 'B'], size=size, replace=True),
                      'col1':np.random.uniform(low=0.0, high=100.0, size=size),
                      'col2':np.random.uniform(low=0.0, high=100.0, size=size)
                      })
  df = df.sort_values(['categ2', 'categ1', 'col1', 'col2'])
  return(df)


size = 5
dfDict = {'US':GenDf(size), 'IN':GenDf(size), 'GER':GenDf(size)}  
MergeDfDict(dfDict=dfDict, onCols=['categ1', 'categ2'], how='outer', naFill=0)

一个不需要多索引来执行连接操作。
只需要正确设置执行连接操作的索引列(例如，命令df.set_index('Name'))

默认情况下，对索引执行join操作。
在您的情况下，您只需指定Name列对应于您的索引。
以下是一个例子

教程可能很有用。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# Simple example where dataframes index are the name on which to perform the join operations
import pandas as pd
import numpy as np
name = ['Sophia' ,'Emma' ,'Isabella' ,'Olivia' ,'Ava' ,'Emily' ,'Abigail' ,'Mia']
df1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=name)
df2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'],         index=name)
df3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'],     index=name)
df = df1.join(df2)
df = df.join(df3)

# If you a 'Name' column that is not the index of your dataframe, one can set this column to be the index
# 1) Create a column 'Name' based on the previous index
df1['Name']=df1.index
# 1) Select the index from column 'Name'
df1=df1.set_index('Name')

# If indexes are different, one may have to play with parameter how
gf1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=range(8))
gf2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'], index=range(2,10))
gf3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'], index=range(4,12))

gf = gf1.join(gf2, how='outer')
gf = gf.join(gf3, how='outer')

pandas文档还有另一个解决方案(我在这里看不到)，

使用.append

1
2
3
4
5
6
7
8
9
10
11
12
13
14
>>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
   A  B
0  1  2
1  3  4
>>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
   A  B
0  5  6
1  7  8
>>> df.append(df2, ignore_index=True)
   A  B
0  1  2
1  3  4
2  5  6
3  7  8

ignore_index=True用于忽略附加数据帧的索引，将其替换为源代码中可用的下一个索引。

如果有不同的列名，将引入Nan。

相关讨论

简单解决方案

如果列名相似：

1
 df1.merge(df2,on='col_name').merge(df3,on='col_name')

如果列名不同：

1
df1.merge(df2,left_on='col_name1', right_on='col_name2').merge(df3,left_on='col_name1', right_on='col_name3').drop(columns=['col_name2', 'col_name3']).rename(columns={'col_name1':'col_name'})