Arrays 合并2个大小、列数和频率不同的数据帧

我一直在尝试合并两个不同大小和频率的NFL数据帧，但有两列相同的teiamname和year，第一列索引是团队名称和year，是year AVG，下一列按tm名称和year排序，但分为每周1-17场比赛，因此，我一直在尝试合并团队名称和年份，然后给出年度平均值，即9列，然后每年每周1-17列，在11个不同的列上。我已经在这两个星期了，我尝试了各种方法，多索引。。。我可以迭代每个datframe并以正确的顺序追加到数组中，但当我尝试将该列表设置为DF时。。不行，尝试了多索引groupby

任何帮助都将不胜感激 谢谢

---

如果两个数据帧中有两个相同的列，为什么不使用pandas.Dataframe.join连接这两个表呢？这样，您就可以将团队名称和年份的所有数据都放在同一行。

在发布问题之前，请仔细阅读。请清楚地描述您的输入数据框和输出数据框期望值，查看其他贴有pandas的帖子以了解更多信息，您可能还想查看我试图合并的两个DF.heads，DF 1 32个团队中的每个团队都有avgs2018-2015年的工作年限。DF2每个32支球队在2018-2015年有17周的比赛统计数据，我正在尝试合并它们，这样我就没有任何NAN数据或相关行，我已经浏览了堆栈和文档，或者我不理解，或者它不在那里，或者足够具体到我导致堆栈溢出的原因。我可以告诉你，你花了很多精力来写你的问题，但不幸的是，按照目前的措辞，它相当混乱。很多文本信息很难理解：若你们提供一个小样本的数据，显示输入和期望的输出，你们就更有可能得到答案。祝你好运从df1开始，它运行了17次，而不是只执行df1行，而该团队和df2的yr的17行/游戏未遵循。如果我放弃dup。组织cols&rows错误它列出了每个tm/yr 1ST的所有df1行，这是我想要的，但每年32支球队在第一周的所有比赛中都有，然后在第二周32支球队在第四年中都有，无论我如何尝试，我都无法组织，它只有126排，我想应该是bc，有32支球队，4年，当它应该在2000年左右，也许我错了，我不能想象它，我需要看看它看起来如何不被Atomokay截断，我仍然在努力理解你的目标是什么。你有1DF和计算的平均值，1DF和17周的统计数据相同的年份数。NFL赛季有17周长吗？输出应该是什么样的？所有周加上每年和团队的平均值？层次索引分为三个级别，元组lvl_00=result.Tm_name.values lt2.Off_1stD.values，result2.Off_TotYd.values，result2.Def_1stD_all.values，result2.Def_TotYd_all.values lvl\u 01=result.year.values，result.W.values，result.L.values，result.W_L_Pct.values，result.PD.values，result.MoV.values，result.SoS.values，result.SRS.values，result.OSRS.values，result.DSRS.values lvl_02=result2.Week.values，result2.Date.values，result2.win_loss.values，result2.home_-away.values，result2.Opp1_团队价值，result2.Opp1.Tm_Pnts.values，result2.Opp2_pnts.values，resultI问了同样的问题：bc我被告知这一个描述不够，所以在这个url上我添加了代码和DF，如果你认为有帮助的话。[链接]。

       Year  Tm_name    W     L   W_L_Pct   PD     MoV  SoS   SRS  OSRS  DSRS
1  2015     1     13.0   3.0   0.813   176.0  11.0  1.3  12.3   9.0   3.4
2  2016     1      7.0   8.0   0.469    56.0   3.5 -1.9   1.6   2.4  -0.8
3  2017     1      8.0   8.0   0.500   -66.0  -4.1  0.4  -3.7  -4.0   0.2
4  2018     1      3.0  13.0   0.188  -200.0 -12.5  1.0 -11.5  -9.6  -1.9
5  2015     2      8.0   8.0   0.500    -6.0  -0.4 -3.4  -3.8  -4.0   0.3
  Week  Year    Date     Tm_name  win_loss  home_away  Opp1_team  Tm_Pnts  \
0   1   2018 2018-09-09     1        0.0       1.0       32.0       6.0     
1   2   2018 2018-09-16     1        0.0       0.0       18.0       0.0     
2   3   2018 2018-09-23     1        0.0       1.0        6.0      14.0     
3   4   2018 2018-09-30     1        0.0       1.0       28.0      17.0     
4   5   2018 2018-10-07     1        1.0       0.0       29.0      28.0     

   Opp2_pnts  Off_1stD  Off_TotYd  Def_1stD_All  Def_TotYd_All  
0    24.0       14.0      213.0        30.0          429.0      
1    34.0        5.0      137.0        24.0          432.0      
2    16.0       13.0      221.0        21.0          316.0      
3    20.0       18.0      263.0        19.0          331.0      
4    18.0       10.0      220.0        33.0          447.0