Python 熊猫获取不在其他数据帧中的行

我有两个熊猫数据帧，它们有一些共同的行

假设dataframe2是dataframe1的子集

如何获取dataframe1中不在dataframe2中的行？

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})

df1

df2

预期结果：

   col1  col2
3     4    13
4     5    14

---

一种方法是将内部合并表单的结果存储在两个dfs中，然后我们可以在一列的值不在该公共值中时简单地选择行：

In [119]:

common = df1.merge(df2,on=['col1','col2'])
print(common)
df1[(~df1.col1.isin(common.col1))&(~df1.col2.isin(common.col2))]
   col1  col2
0     1    10
1     2    11
2     3    12
Out[119]:
   col1  col2
3     4    13
4     5    14

编辑

您发现的另一种方法是使用

isin

，它将生成

NaN

行，您可以删除这些行：

In [138]:

df1[~df1.isin(df2)].dropna()
Out[138]:
   col1  col2
3     4    13
4     5    14

但是，如果df2不以相同的方式启动行，则这将不起作用：

df2 = pd.DataFrame(data = {'col1' : [2, 3,4], 'col2' : [11, 12,13]})

将生成整个df：

In [140]:

df1[~df1.isin(df2)].dropna()
Out[140]:
   col1  col2
0     1    10
1     2    11
2     3    12
3     4    13
4     5    14

---

正如已经暗示的，isin要求匹配的列和索引相同。如果匹配只针对行内容，则获取筛选当前行的掩码的一种方法是将行转换为（多）索引：

若应该考虑索引，则set_index将关键字参数append附加到现有索引的附加列。如果列没有对齐，可以用列规范替换列表（df.columns）以对齐数据

pandas.MultiIndex.from_tuples(df<N>.to_records(index = False).tolist())

pandas.MultiIndex.from_元组（df.to_记录（index=False）.tolist（））

---

也可用于创建索引，但我怀疑这是否更有效。

假设您有两个数据帧，df_1和df_2具有多个字段（列名称），并且您希望根据某些字段（例如字段x、字段y）查找df_1中不在df_2中的唯一条目，请遵循以下步骤

步骤1.将列key1和key2分别添加到df_1和df_2

步骤2.合并数据帧，如下所示。字段x和字段y是我们需要的列

步骤3.仅选择df_1中key1不等于key2的行

步骤4.放下键1和键2

这种方法将解决您的问题，即使在大数据集上也能快速工作。我已经为超过1000000行的数据帧尝试过了

df_1['key1'] = 1
df_2['key2'] = 1
df_1 = pd.merge(df_1, df_2, on=['field_x', 'field_y'], how = 'left')
df_1 = df_1[~(df_1.key2 == df_1.key1)]
df_1 = df_1.drop(['key1','key2'], axis=1)

您可以使用以下方法执行此操作：

说明：

In [75]: df2.to_dict('l')
Out[75]: {'col1': [1, 2, 3], 'col2': [10, 11, 12]}

In [76]: df1.isin(df2.to_dict('l'))
Out[76]:
    col1   col2
0   True   True
1   True   True
2   True   True
3  False  False
4  False  False

In [77]: df1.isin(df2.to_dict('l')).all(1)
Out[77]:
0     True
1     True
2     True
3    False
4    False
dtype: bool

---

有点晚了，但可能值得检查pd.merge的“indicator”参数

有关示例，请参见其他问题：

---

我的方法是添加一个数据帧特有的新列，并使用它来选择是否保留条目

df2[col3] = 1
df1 = pd.merge(df_1, df_2, on=['field_x', 'field_y'], how = 'outer')
df1['Empt'].fillna(0, inplace=True)

这使得df1中的每个条目都有一个代码-0（如果它是df1独有的），1（如果它在两个数据帧中）。然后您可以使用它来限制您想要的内容

answer = nonuni[nonuni['Empt'] == 0]

---

假设数据帧中的索引一致（不考虑实际列值）：

这个怎么样：

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 
                               'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 
                               'col2' : [10, 11, 12]})
records_df2 = set([tuple(row) for row in df2.values])
in_df2_mask = np.array([tuple(row) in records_df2 for row in df1.values])
result = df1[~in_df2_mask]

---

当前选择的解决方案产生不正确的结果。为了正确解决这个问题，我们可以执行从

df1

到

df2

的左连接，确保首先只获取

df2

的唯一行

首先，我们需要修改原始数据框以添加包含数据的行[3,10]

df1 = pd.DataFrame(data = {'col1' : [1, 2, 3, 4, 5, 3], 
                           'col2' : [10, 11, 12, 13, 14, 10]}) 
df2 = pd.DataFrame(data = {'col1' : [1, 2, 3],
                           'col2' : [10, 11, 12]})

df1

   col1  col2
0     1    10
1     2    11
2     3    12
3     4    13
4     5    14
5     3    10

df2

   col1  col2
0     1    10
1     2    11
2     3    12

执行左连接，消除

df2

中的重复项，以便

df1

的每一行与

df2

的整整一行连接。使用参数

indicator

返回一个额外的列，指示行来自哪个表

df_all = df1.merge(df2.drop_duplicates(), on=['col1','col2'], 
                   how='left', indicator=True)
df_all

   col1  col2     _merge
0     1    10       both
1     2    11       both
2     3    12       both
3     4    13  left_only
4     5    14  left_only
5     3    10  left_only

创建布尔条件：

df_all['_merge'] == 'left_only'

0    False
1    False
2    False
3     True
4     True
5     True
Name: _merge, dtype: bool

---

为什么其他解决方案是错误的 一些解决方案也会犯同样的错误——它们只检查每个值在每列中是独立的，而不是在同一行中。添加最后一行（该行是唯一的，但具有来自

df2

的两列的值）会暴露错误：

common = df1.merge(df2,on=['col1','col2'])
(~df1.col1.isin(common.col1))&(~df1.col2.isin(common.col2))
0    False
1    False
2    False
3     True
4     True
5    False
dtype: bool

此解决方案会得到相同的错误结果：

df1.isin(df2.to_dict('l')).all(1)

---

您还可以连接

df1

，

df2

：

x = pd.concat([df1, df2])

然后删除所有重复项：

y = x.drop_duplicates(keep=False, inplace=False)

---

以下是解决此问题的另一种方法：

df1[~df1.index.isin(df1.merge(df2, how='inner', on=['col1', 'col2']).index)]

或：

---

使用merge函数提取不同的行

df = df.merge(same.drop_duplicates(), on=['col1','col2'], 
               how='left', indicator=True)

在CSV中保存不同的行

df[df['_merge'] == 'left_only'].to_csv('output.csv')

这是最好的方法： 请注意，drop duplicated用于最小化比较。没有他们也行。最好的方法是比较行内容本身，而不是索引或一列/两列，相同的代码可用于其他筛选器，如“两者”和“仅限右”以获得类似的结果。对于这种语法，数据帧可以有任意数量的列，甚至可以有不同的索引。两个数据帧中只应出现列

为什么这是最好的方法？

index.difference仅适用于基于唯一索引的比较

pandas.concat（）

与

drop\u duplicated（）

结合使用并不理想，因为它还将删除可能仅位于您想要保留的数据帧中的行，并且这些行是出于正当理由而复制的

---

简单、简单、优雅

uncommon_indices = np.setdiff1d(df1.index.values, df2.index.values)
new_df = df1.loc[uncommon_indices,:]

---

我认为这些答案非常缓慢。因此，我建议采用另一种方法获取两个数据帧之间不同的行：

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})

ids_in_df2 = df2.col1.unique()
not_found_ids = df[~df['col1'].isin(ids_in_df2 )]

免责声明：如果您对两个数据帧不同的一个特定列感兴趣，我的解决方案是有效的。如果您只对所有列相等的行感兴趣，请不要使用这种方法

比如说，col1是一种ID，您只想获取那些不包含在两个数据帧中的行：

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})

ids_in_df2 = df2.col1.unique()
not_found_ids = df[~df['col1'].isin(ids_in_df2 )]

---

就这样。您将得到一个数据帧，其中只包含col1在两个数据帧中都不出现的行。

df1[~df1.isin（df2）]。dropna（how='all'）

似乎可以做到这一点。无论如何，谢谢你-你的回答帮助我找到了一个解决方案。你能解释一下

~

在你的代码

df1[~df1.isin（df2）]

中做了什么吗？因为它只是一个符号，所以不能用谷歌搜索任何东西。谢谢。@BowenLiu它否定了表达式，基本上它说的是选择所有不在中的内容，而不是在中。@ThinkNiceSthings，它可以更简单：

df1[~df1.index.isin（df2.index）]

我认为这在技术上不是他想要的——他想知道哪些行是哪个df所独有的。但是，我认为这个解决方案返回的行的df要么是唯一的，要么是唯一的

df[df['_merge'] == 'left_only'].to_csv('output.csv')

df = df1.drop_duplicates().merge(df2.drop_duplicates(), on=df2.columns.to_list(), 
                   how='left', indicator=True)
df.loc[df._merge=='left_only',df.columns!='_merge']

uncommon_indices = np.setdiff1d(df1.index.values, df2.index.values)
new_df = df1.loc[uncommon_indices,:]

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})

ids_in_df2 = df2.col1.unique()
not_found_ids = df[~df['col1'].isin(ids_in_df2 )]