Python 熊猫-dataframeB的特定行是dataframeB的特定行的子集吗?
我有两个数据帧dfA和dfB,如下所示:Python 熊猫-dataframeB的特定行是dataframeB的特定行的子集吗?,python,pandas,Python,Pandas,我有两个数据帧dfA和dfB,如下所示: dfA = entityId entityName property value 0 1 bob propA a 1 1 bob propB b 2 1 bob propC c 3 2 dave propA aa 4 2 dave propC
dfA =
entityId entityName property value
0 1 bob propA a
1 1 bob propB b
2 1 bob propC c
3 2 dave propA aa
4 2 dave propC c
5 3 bob propA a
6 3 bob propB bb
7 3 bob propD d
8 4 alex propE ee
9 4 alex propF fff
dfB =
entityId entityValid property value propValid propId
0 123 yes propA a yes 1
1 123 yes propB b yes 2
2 123 yes propC c yes 3
3 124 no propA aa no 4
4 124 no propC c yes 3
5 125 not sure propA a yes 1
6 125 not sure propB bb yes 5
7 125 not sure propD d yes 6
8 126 no propE ee yes 7
9 126 no propF FF yes 8
我想知道的是,在属性和值列方面,dfA中的实体是否和dfB中的实体完全匹配 首先取消数据帧的堆栈并将每个实体表示在一行中最有意义吗?最终的结果,我期待将是这样的东西,然而,任何关于如何处理这个问题的意见是赞赏的
resultDf =
entityId entityName dfBEntityIdMatch valid invalidProps
0 1 bob 123 yes ()
1 2 dave 124 no (4)
2 3 bob 125 not sure ()
3 4 alex '---' '---' '---'
提前谢谢
生成数据帧的代码:
import pandas as pd
pd.set_option('display.max_columns',20)
dfA = pd.DataFrame([[1, 'bob', 'propA', 'a'],
[1, 'bob', 'propB', 'b' ],
[1, 'bob', 'propC', 'c' ],
[2, 'dave', 'propA', 'aa' ],
[2, 'dave', 'propC', 'c' ],
[3, 'bob', 'propA', 'a' ],
[3, 'bob', 'propB', 'bb' ],
[3, 'bob', 'propD', 'd' ],
[4, 'alex', 'propE', 'ee' ],
[4, 'alex', 'propF', 'fff' ]],
columns=['entityId', 'entityName', 'property', 'value'])
dfB = pd.DataFrame([[123, 'yes', 'propA', 'a', 'yes', 1],
[123, 'yes', 'propB', 'b', 'yes', 2],
[123, 'yes', 'propC', 'c', 'yes', 3],
[124, 'no', 'propA', 'aa', 'no', 4],
[124, 'no', 'propC', 'c', 'yes', 3],
[125, 'not sure', 'propA', 'a', 'yes', 1 ],
[125, 'not sure', 'propB', 'bb', 'yes', 5 ],
[125, 'not sure', 'propD', 'd', 'yes', 6 ],
[126, 'no', 'propE', 'ee', 'yes', 7],
[126, 'no', 'propF', 'FF', 'yes', 8 ]],
columns=['entityId', 'entityValid', 'property', 'value', 'propValid', 'propId'])
这里有一种方法可以获得与预期输出类似的结果,至少在您提供的数据上是如此。首先在dfB中创建“InvalidDrops”列
dfB.loc[dfB['propValid'] == 'no','invalidProps'] = dfB.loc[dfB['propValid'] == 'no','propId']
dfB['invalidProps'] = dfB['invalidProps'].fillna('')
现在,您可以独立地使用数据帧和使用不同方法的groupby
。如果实际数据在数据帧之间的顺序不同,则需要首先按“属性”和“值”对值进行排序
dfA_g = (dfA.sort_values(['property', 'value'])
.groupby(['entityId','entityName'],as_index=False).agg(tuple))
dfB_g = (dfB.sort_values(['property', 'value'])
.groupby(['entityId','entityValid'],as_index=False)
.agg({'property':lambda x: tuple(x),
'value':lambda x: tuple(x),
'invalidProps':lambda x: tuple(filter(None,x))}))
现在,您可以对“属性”和“值”进行merge
,并使用fillna
替换nan值,drop
不必要的列和rename
要保留的列:
resultDf = (dfA_g.merge(dfB_g, how='left', on=['property', 'value'],suffixes=('','_'))
.fillna('---').drop(['property', 'value'],1)
.rename(columns={'entityId_':'dfBEntityIdMatch', 'entityValid':'valid'}))
你会得到这样的结果:
entityId entityName dfBEntityIdMatch valid invalidProps
0 1 bob 123 yes ()
1 2 dave 124 no (4.0,)
2 3 bob 125 not sure ()
3 4 alex --- --- ---
“我想知道的是,在属性和值列方面,dfA中的实体是否和dfB中的实体完全匹配。”但实体和值之间并没有1-1关系。那么你想比较什么呢?是否要在A中查找与B具有相同值集的实体?与值相同的列表?非零交集?因为dfA中的实体1有3个属性值对:[(propA,a)、(propB,b)、(propC,c)],所以我试图查看dfB中是否有一个实体具有这些相同的属性值对。因此,如果dfB中的一个实体拥有所有这些和更多,那么它就不是匹配的。如果一个实体拥有
[(propA,a),(propB,b),(propC,c)]
,而另一个实体拥有[(propA,a),(propB,b),(propC,c),(propA,a)]
,那该怎么办?太棒了!非常感谢Ben.T