Pandas 使用多变量条件比较数据帧

我在使用merge查找列的值时遇到问题。我有两个数据帧：

测向条件

A  |  B  |  C  |  D  |  E  | F |
A1 | B1  |     |     |     | F1|
A2 | B2  |     |     |     | F2|
A3 | B3  |     |  D3 |     | F3|
A4 | B4  |     |  D4 |  E4 | F4|

测向结果

A  |  B  |  C  |  D  |  E  | G  | H  | 
A1 | B1  |  C1 |  D1 |  E1 | G1 | H1 |
A2 | B2  |  C2 |  D2 |  E2 | G2 | H2 |
A3 | B3  |  C3 |  D3 |  E3 | G3 | H3 |
A4 | B4  |  C4 |  D4 |  E4 | G4 | H4 |

列F的参数值要包含在merge（）中，因此我需要df结果

我正在使用代码：

df Result = pd.merge(df Result, df Conditions[[A,B,C,D,E,F]], on = [A,B,C,D,E], how = 'left')

目前，结果是只得到条件数量最多的F列，但不会计算每个条件

A  |  B  |  C  |  D  |  E  | G  | H  | F |
A1 | B1  |  C1 |  D1 |  E1 | G1 | H1 |   |
A2 | B2  |  C2 |  D2 |  E2 | G2 | H2 |   |
A3 | B3  |  C3 |  D3 |  E3 | G3 | H3 |   |
A4 | B4  |  C4 |  D4 |  E4 | G4 | H4 | F4|

---

我怎样才能做到这一点呢？

我想到了一种利用多重合并的方法。基本思想是为不同列上的

None

值创建多个

通配符

数据帧

df_Conditions=pd.DataFrame（列=['A'，'B'，'C'，'D'，'E'，'F']，
数据=[[A1'，B1'，无，无，无，'F1']，
['A2'，'B2'，无，无，无，'F2']，
[A3'，B3'，无，'D3'，无，'F3']，
['A4'，'B4'，无，'D4'，'E4'，'F4']，
])
df_Result=pd.DataFrame（列=['A'，'B'，'C'，'D'，'E'，'G'，'H']，
数据=['A1'，B1'，C1'，D1'，E1'，G1'，H1']，
[A2'，B2'，C2'，D2'，E2'，G2'，H2']，
[A3'，B3'，C3'，D3'，E3'，G3'，H3']，
[A4'，B4'，C4'，D4'，E4'，G4'，H4']，
])

首先，正如您所做的那样，它应该为您提供一个额外的空

列F

res = pd.merge(df_Result, df_Conditions, on=['A', 'B', 'C', 'D', 'E'], how='left')
res
Out[8]: 
    A   B   C   D   E   G   H    F
0  A1  B1  C1  D1  E1  G1  H1  NaN
1  A2  B2  C2  D2  E2  G2  H2  NaN
2  A3  B3  C3  D3  E3  G3  H3  NaN
3  A4  B4  C4  D4  E4  G4  H4  NaN

创建一个通配符数据框作为

df_条件的子数据框

wildcards_C=df_条件[df_条件['C'].isnull（）].dropna（axis=1，how='all'）
通配符
出[10]：
A B D E F
0 A1 B1无F1
1 A2 B2无无F2
2 A3 B3 D3无F3
3 A4 B4 D4 E4 F4

将其与

df_结果

合并，并更新res上的值

res.update（df_Result.merge（通配符，how='left'），overwrite=False）
物件
出[12]：
A B C D E G H F
0 A1 B1 C1 D1 E1 G1 H1 NaN
1 A2 B2 C2 D2 E2 G2 H2 NaN
2 A3 B3 C3 D3 E3 G3 H3 NaN
3 A4 B4 C4 D4 E4 G4 H4 F4

当A、B、D、E列上的值匹配时，它将更新

res

dataframe上的F列。对E列重复相同的条件

wildcards_E=df_条件[df_条件['E'].isnull（）].dropna（axis=1，how='all'）
res.update（df_Result.merge（通配符，how='left'），overwrite=False）
物件
出[6]：
A B C D E G H F
0 A1 B1 C1 D1 E1 G1 H1 NaN
1 A2 B2 C2 D2 E2 G2 H2 NaN
2 A3 B3 C3 D3 E3 G3 H3 F3
3 A4 B4 C4 D4 E4 G4 H4 F4

最后对D列重复相同的条件

wildcards\u D=df\u条件[df\u条件['D'].isnull（）].dropna（axis=1，how='all'）
res.update（df_Result.merge（通配符，how='left'），overwrite=False）
物件
出[6]：
A B C D E G H F
0 A1 B1 C1 D1 E1 G1 H1 F1
1 A2 B2 C2 D2 E2 G2 H2 F2
2 A3 B3 C3 D3 E3 G3 H3 F3
3 A4 B4 C4 D4 E4 G4 H4 F4

出于演示目的，我没有将重复分组成循环

---

这里的一个缺点是您必须自己分析“通配符”的顺序，当前的策略是：尽可能长地保留通配符最少的列（即D列）。

是否要将F列合并到df_结果？是的，最初我在df_结果中没有F列，但我将F列附加到df条件。我认为这就像excel中的Vlookup一样，但有更多的条件不一定会同时出现df_conditions=pd。merge（df_Result，df_conditions，on='a'，allow_exact_matches=True）是否还有其他解决方案，真正的df_结果有更多的列，我无法合并所有的dfSorry，我检查了我的问题，我注意到我写错了我想要作为结果修改的df：df result=pd.merge（df result，df Conditions[[A，B，C，D，E，F]]，on=[A，B，C，D，E]，how='left'）我尝试了你的代码，但没有工作。merge（）只是在运行df结果（第F列）后，找不到所有条件和NaN。如果你能帮助我，我真的很感激。修改了我的答案，请看看它是否看起来更好谢谢你的帮助，我尝试了以下代码，但是：当我这样做时：df_Result=pd.merge（df_Result，df_条件['A'，'B'，'C'，'D'，'E'，'F'，'F'，on='A'，'B'，'C'，'D'，'E'，how='left'）。F列已经有了“F4”，应用接下来的步骤不会发生任何变化。不知道为什么会这样。通配符创建得很好。我还尝试了：df_Result['F']=df_Result['F'].replace（np.nan，，，regex=True），但仍然只显示'F4'，很可能您运行的代码与我的代码不同。当我们不同步时，它增加了复杂性。例如，我看不到

df_条件

和

df_条件[[A'，'B'，'C'，'D'，'E'，'F']

之间的区别，因为

df_条件

只包含列

['A'，'B'，'C'，'D'，'E'，'F']

。另外，我正在使用另一个数据帧

res

来存储合并结果，而不是覆盖

df_result

。我对第一步调查的建议是，您尝试复制我上面的内容（包括dataframes创建部分），执行代码，看看是否有相同的结果。