将 pandas 数据框与关键重复项合并答案

【问题标题】：merge pandas dataframe with key duplicates将 pandas 数据框与关键重复项合并
【发布时间】：2017-03-27 07:23:06
【问题描述】：

我有 2 个数据框，它们都有一个可能有重复的键列，但数据框大多具有相同的重复键。我想在该键上合并这些数据框，但是当两者具有相同的重复项时，这些重复项将分别合并。此外，如果一个数据框比另一个数据框具有更多的键重复项，我希望将其值填充为 NaN。例如：

df1 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K2', 'K2', 'K3'],
                    'A':   ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']}, 
                   columns=['key', 'A'])
df2 = pd.DataFrame({'B':   ['B0', 'B1', 'B2', 'B3', 'B4', 'B5', 'B6'],
                    'key': ['K0', 'K1', 'K2', 'K2', 'K3', 'K3', 'K4']}, 
                   columns=['key', 'B'])

  key   A
0  K0  A0
1  K1  A1
2  K2  A2
3  K2  A3
4  K2  A4
5  K3  A5

  key   B
0  K0  B0
1  K1  B1
2  K2  B2
3  K2  B3
4  K3  B4
5  K3  B5
6  K4  B6

我正在尝试获得以下输出

   key    A   B
0   K0   A0  B0
1   K1   A1  B1
2   K2   A2  B2
3   K2   A3  B3
6   K2   A4  NaN
8   K3   A5  B4
9   K3  NaN  B5
10  K4  NaN  B6

所以基本上，我想将重复的 K2 键视为 K2_1、K2_2...，然后在数据帧上执行 how='outer' 合并。有什么想法可以做到这一点吗？

【问题讨论】：

标签： python pandas dataframe merge

【解决方案1】：

又快了

%%cython
# using cython in jupyter notebook
# in another cell run `%load_ext Cython`
from collections import defaultdict
import numpy as np

def cg(x):
    cnt = defaultdict(lambda: 0)

    for j in x.tolist():
        cnt[j] += 1
        yield cnt[j]


def fastcount(x):
    return [i for i in cg(x)]

df1['cc'] = fastcount(df1.key.values)
df2['cc'] = fastcount(df2.key.values)

df1.merge(df2, how='outer').drop('cc', 1)

更快的回答；不可扩展

def fastcount(x):
    unq, inv = np.unique(x, return_inverse=1)
    m = np.arange(len(unq))[:, None] == inv
    return (m.cumsum(1) * m).sum(0)

df1['cc'] = fastcount(df1.key.values)
df2['cc'] = fastcount(df2.key.values)

df1.merge(df2, how='outer').drop('cc', 1)

旧答案

df1['cc'] = df1.groupby('key').cumcount()
df2['cc'] = df2.groupby('key').cumcount()

df1.merge(df2, how='outer').drop('cc', 1)

【讨论】：

有没有办法更快地做到这一点？我正在使用大约 4M 条目的数据框，虽然合并基本上是瞬时的，但 cumcount() 调用大约需要一分钟。
@dcmm88 这个函数我写得很特别。检查它是否没有改善这种情况。
np.arange... == inv 行，你的意思是在那里使用 np.equal 对吗？因为至少对我来说'=='的结果是一个布尔值。即使当我使用 np.equal 时，也会出现内存错误，可能是我的数据框太大了？
@dcmm88 是的。这不好。不缩放。还在做某事
@dcmm88 我提高了性能，但需要 cython。如果你使用的是 jupyter notebook，你应该没问题。

【解决方案2】：

df1.set_index('key', inplace=True)

df2.set_index('key', inplace=True)

merged_df = pd.merge(df1, df2, left_index = True, right_index = True, how= 'inner')
merged_df.reset_index('key', drop=False, inplace=True)

【讨论】：

如果您能解释您添加的关键字而不是仅提供代码答案，通常会更有帮助。