Pandas pd.DataFrame.merge未找到匹配项

我有三个pd数据帧：

我需要将df1和df2堆叠在一起，然后基于多个变量（var1、var2、var5）使用df3左连接将它们连接起来

于是我写道：

pd.concat([df1, df2], axis = 0, sort = False).merge(df3, how = 'left', on = ['var1', 'var2', 'var5'])

但是它没有找到所有匹配的行。将类型更改为外部联接我们可以观察到，例如，有两行具有相同的var1、var2和var3值-第11行和第28行，但它们尚未联接：

pd.concat([df1, df2], axis = 0, sort = False).merge(df3, how = 'outer', on = ['var1', 'var2', 'var5'])

---

我正在努力寻找这种行为的原因。我认为连接列中的数据类型可能不同，但不，它们是相同的。我对熊猫比较陌生，所以也许我错过了一些明显的东西？这种意外行为的原因是什么？

当我在我的计算机上运行您的代码，然后使用df.dtypes获取类型时，df1中var5列的dtype是object，而在df2和df3中它是float64。concat运行良好，在concat之后，数据类型为object，但是当我尝试运行merge outer或left时，我得到一个ValueError：

ValueError: You are trying to merge on object and float64 columns. If you wish to proceed you should use pd.concat

我建议你再检查一遍我知道你已经检查过了。如果它们在你的计算机上真的是一样的，我不知道发生了什么。

df1=pd.DataFrame{'var1'：{0:2210，1:2210，2:2210，3:2210，4:2210，5:2210，6:2210，7:2210，8:2210，9:2210，10:2210，11:2210，12:2210，13:2210，14:2210，15:2210，16:2210，17:2210，18:2210，19:2210，20:2210，21:2210，'var2''0:1，7:2，8:1，9:2，10:1，10:1，11:2，12:1，13:2，13:2，14:1，1:1，1:1，1:1，1:1，1:1，1:1，1:1，1:1，1，1:1，1，1:1，1，1:1，1，1，1，1，1:1，1，1，5:1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1“：{0:0，1:0，2:0，3:0，4:0，5:0，6:0，7:0，8:0，9:0，10:0，11:0，12:0，13:0，14:0，15:0，16:0，17:0，18:0，19:0，20:0，21:0}，“var5”：{0: '121160', 1: '20066', 2: ' 58621', 3: ' 201084', 4: ' 100180', 5: ' 74230', 6: ' 27789', 7: ' 66975', 8: ' 57410', 9: ' 49413', 10: ' 57112', 11: ' 19188', 12: ' 61366', 13: ' 27341', 14: ' 59859', 15: ' 173954', 16: ' 205651', 17: ' 54861', 18: ' 165809', 19: ' 60252', 20: ' 182156', 21: ' 82403'}} df2=pd.DataFrame{'var1'：{349176:2210，349225:2210，349913:2210，350247:2210，350342:2210，350518:2210}，'var2'：{349176:2349225:1349913:11350247:23503422:1350518:2}，'var5'：{349176:58786.0，349225:37572.0，349913:103955.0，350247:1910，350518:753''{349176:19349225:22349913:56350247:75350342:80350518:95}，'var4'：{349176:81349225:52349913:42350247:0350342:50350518:17} 3.9912:22110，350246:10，350246:22110，350246:22110，35010，350341:22110，3501:22110，350341:22110，350517:22110，350517:10，350517:22110，350517:22110，350517:10，350517:22110，350517:22110，350517:22110，350517:22110，3505110，350517:22110，350517:22110，35010，35010，3505210，35010，3505210，35010，3505，3505，35010，35010，3505210，3505，350521:22110，3505，35010，3505210，3505，35010，35010，3505，3505，35010，35010，35010，35010，350521:22110，35010，3505，3505，350521:22110，3505，35010}，'var6'：{349175:19349224:22349912:56350246:75350341:80350517:95350521:95}，'var7'：{349175:81349224:52349912:42350246:0350351:50350517:17350521:40} pd.concat[df1，df2]，轴=0.d类型 导致

var1     int64
var2     int64
var3     int64
var4     int64
var5    object
dtype: object

正如您在concat之后看到的，var5是一个对象。如果您在此时合并，您将不会得到任何结果，因为df3中的var5是一个浮点

以下是我的建议：

df1['var5']=df1['var5'].astypefloat df2['var5']=df2['var5'].astypefloat df3['var5']=df3['var5'].astypefloat pd.concat[df1，df2]，axis=0.mergedf3，how='left'，on=['var1'，'var2'，'var5'] 这将产生以下数据帧：

    var1  var2  var3  var4      var5  var6  var7
0   2210     1     0     0  121160.0   NaN   NaN
1   2210     2     0     0   20066.0   NaN   NaN
2   2210     1     0     0   58621.0   NaN   NaN
3   2210     2     0     0  201084.0   NaN   NaN
4   2210     1     0     0  100180.0   NaN   NaN
5   2210     2     0     0   74230.0   NaN   NaN
6   2210     1     0     0   27789.0   NaN   NaN
7   2210     2     0     0   66975.0   NaN   NaN
8   2210     1     0     0   57410.0   NaN   NaN
9   2210     2     0     0   49413.0   NaN   NaN
10  2210     1     0     0   57112.0   NaN   NaN
11  2210     2     0     0   19188.0  19.0   8.0
12  2210     1     0     0   61366.0  95.0  40.0
13  2210     2     0     0   27341.0  75.0   0.0
14  2210     1     0     0   59859.0  56.0  42.0
15  2210     2     0     0  173954.0   NaN   NaN
16  2210     1     0     0  205651.0  22.0  52.0
17  2210     2     0     0   54861.0   NaN   NaN
18  2210     1     0     0  165809.0  80.0  50.0
19  2210     2     0     0   60252.0   NaN   NaN
20  2210     1     0     0  182156.0   NaN   NaN
21  2210     2     0     0   82403.0   NaN   NaN
22  2210     2    19     8   58786.0   NaN   NaN
23  2210     1    22    52   37572.0   NaN   NaN
24  2210     1    56    42  103955.0   NaN   NaN
25  2210     2    75     0   19197.0  95.0  17.0
26  2210     1    80    50   14664.0   NaN   NaN
27  2210     2    95    17   75773.0   NaN   NaN

---

我再次检查，var5在所有初始数据帧中都是一个对象，在pd.concat.Hmm生成的数据帧中也是一个对象。当您将数据帧复制到stackoverflow中时，可能发生了一些变化……它看起来确实像df2和df3中的一个浮点数：“var5”：{349176:58786.0，，“var5”：{349175:19188.0，。你能验证这与你拥有的是一样的吗？var5的本质实际上是分类的，它在df3中作为float的表示肯定是一些奇怪的行为，从pd.DataFramedf3.to_dict到d3.dtypes在将其转储到dict之前将其显示为object。我已经用转换为int替换了你的方法，它确实起作用了。Explic不过，在两个数据帧中将var5转换为对象类型并在之后将它们连接起来并不起作用。如果var5是float或int，您似乎可以连接，但不是一个对象-知道为什么吗？@jakes，因为您使用了我的方法，请随意接受我的回答：。int和float数据类型不会连接，也不会将其中一个连接到对象。当您连接df1和d时因为df1是一个对象，所以列变为object。您可以始终将int/float转换为对象，但不一定相反。所以Pandas将把这些转换为concat上的对象。如果您将concat float和int转换为float列，您将得到一个float列。对于您的问题，您永远无法将文本连接到数值。我明白了，bu

---

我还在思考为什么下面的方法不起作用：pd.concat[df1，df2]，axis=0.astype{'var5'：'object'}.mergedf3.astype{'var5'：'object'}，how='left'，on=['var1'，'var2'，'var5']@jakes我明白你现在说的话了。当浮点数转换为对象时，小数点仍然保留。因此，如果要转换为对象然后加入，字符串“19188.0”不等于字符串“19188”。astype{var5'：'int64'}.astype{'var5'：'object'}

    var1  var2  var3  var4      var5  var6  var7
0   2210     1     0     0  121160.0   NaN   NaN
1   2210     2     0     0   20066.0   NaN   NaN
2   2210     1     0     0   58621.0   NaN   NaN
3   2210     2     0     0  201084.0   NaN   NaN
4   2210     1     0     0  100180.0   NaN   NaN
5   2210     2     0     0   74230.0   NaN   NaN
6   2210     1     0     0   27789.0   NaN   NaN
7   2210     2     0     0   66975.0   NaN   NaN
8   2210     1     0     0   57410.0   NaN   NaN
9   2210     2     0     0   49413.0   NaN   NaN
10  2210     1     0     0   57112.0   NaN   NaN
11  2210     2     0     0   19188.0  19.0   8.0
12  2210     1     0     0   61366.0  95.0  40.0
13  2210     2     0     0   27341.0  75.0   0.0
14  2210     1     0     0   59859.0  56.0  42.0
15  2210     2     0     0  173954.0   NaN   NaN
16  2210     1     0     0  205651.0  22.0  52.0
17  2210     2     0     0   54861.0   NaN   NaN
18  2210     1     0     0  165809.0  80.0  50.0
19  2210     2     0     0   60252.0   NaN   NaN
20  2210     1     0     0  182156.0   NaN   NaN
21  2210     2     0     0   82403.0   NaN   NaN
22  2210     2    19     8   58786.0   NaN   NaN
23  2210     1    22    52   37572.0   NaN   NaN
24  2210     1    56    42  103955.0   NaN   NaN
25  2210     2    75     0   19197.0  95.0  17.0
26  2210     1    80    50   14664.0   NaN   NaN
27  2210     2    95    17   75773.0   NaN   NaN