Python 左外部联接导致表大于左表

根据我对左外部联接的理解，结果表的行数不应超过左表…如果这是错误的，请告诉我

我的左表是192572行8列

我右边的表格是42160行和5列

我的左表有一个名为“id”的字段，它与我的右表中名为“key”的列相匹配

因此，我将它们合并为：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key')

但是合并后的形状是236569

---

我误解了什么

如果键与另一个数据帧中的多行匹配，则可以预期这会增加：

In [11]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [12]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

In [13]: df.merge(df2, how='left')  # merges on columns A
Out[13]: 
   A  B   C
0  1  3   5
1  1  3   6
2  2  4 NaN

要在df2中避免这种行为，请执行以下操作：

---

还有一些策略可以用来避免这种行为，例如，如果不是所有列都重复，那么这些策略不涉及丢失重复的数据。如果你有

In [1]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [2]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

一种方法是取副本的平均值（也可以取总和等）

或者，如果您有无法使用pd.to_numeric（）转换的非数值数据，或者您只是不想取平均值，则可以通过枚举重复项来更改合并变量。但是，当两个数据集中都存在重复项时（这将导致相同的问题行为，也是一个常见问题），将应用此策略：

对df2执行相同操作，删除df和df2中的计数变量，并在“A”上合并：

In [16]: merged
Out[16]: 
    A  B  C
0   a  3  3        
1   b  4  8        
2  b1  0  5        

几张便条。在最后一种情况下，我使用.cumcount（）而不是.duplicated，因为在这种情况下，对于给定的观察，可能有多个副本。此外，我还使用.astype（str）将计数值转换为字符串，因为我使用了np.where（）命令，但使用pd.concat（）或其他方法可能会允许不同的应用程序

---

最后，如果只有一个数据集具有重复项，但您仍然希望保留它们，那么您可以使用后一种策略的前半部分在结果合并中区分重复项

对给定答案的一点补充是，有一个名为validate的参数，如果右表中有匹配的重复ID，该参数可用于抛出错误：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')

使用drop\u副本 在您的情况下，将：

merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()

---

你能发布一些最小的数据来证明这一点吗（请不要全部是200k）？@PaulH问题是我找不到它这样做的原因…当我在代码的一小部分上使用这个

pd.merge

时，结果表确实只有左表的大小有办法抑制它吗？在你的例子中，我不需要看到第0行或第1行，只需要看到其中一行…@Chowza yup，删除重复项，编辑答案以反映这一点。仅供参考，cols现在已不推荐使用。相反，使用“subset”：df.merge（df2.drop_duplicates（subset=['A']），how='left'）@SummerEla谢谢！我真的应该仔细检查我的所有问题并修复不赞成的意见（应该能够编写脚本）…刚刚意识到，如果您这样做是为了内部连接而不是左连接，那么您需要根据答案删除两个数据帧中的重复项。

In [16]: merged
Out[16]: 
    A  B  C
0   a  3  3        
1   b  4  8        
2  b1  0  5        

combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')

merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()