Python 比较大小不同的数据帧的某些列的交集

我很难按照我喜欢的方式比较两个数据帧：

df1=pd.DataFrame({"code1": ['A', 'B', 'C', 'C','D'],
               "code2": ["1", "0", "1", "1","1"],
               "column1":['value1','value2','value3','value4','value5']})

    code1 code2 column1
  0     A     1  value1
  1     B     0  value2
  2     C     1  value3
  3     C     1  value4
  4     D     1  value5

df2 = pd.DataFrame({"code1": ['A','B','C'],
               "code2": ["0", "0", "1"],
               "column2":['valuex','valuey','valuez']})

     code1 code2 column2
   0     A     0  valuex
   1     B     0  valuey
   2     C     1  valuez

这是我想比较的两个数据帧。我需要做一些类似的事情

 df1[['code1','code2']].isin(df2[['code1','code2']]) 

为了得到结果：

     code1 code2 column1
   0     B     0  value2
   1     C     1  value3
   2     C     1  value4

我想保留df1和df2中具有相同“code1”和“code2”的行，以及df1的其他列。 你知道最好的方法吗？？我想避免循环，我需要它是有效的。

---

非常感谢您提前

我会将索引设置为您想要的列并执行联接：

df1=df1.set_index(['code1','code2'])    
df2=df2.set_index(['code1','code2'])
In [90]: df1.join(df2)
Out[90]: 
            column1 column2
code1 code2                
A     1      value1     NaN
B     0      value2  valuey
C     1      value3  valuez
      1      value4  valuez
D     1      value5     NaN

要摆脱NaN：

dropna

df1.join(df2)
Out[94]: 
            column1 column2
code1 code2                
B     0      value2  valuey
C     1      value3  valuez
      1      value4  valuez

然后，如果您不想使用

reset\u index（）

，可以放弃索引：

您可以简单地使用以下方法：

更新：

如果我想在另一个数据帧中保留已删除的案例，该怎么办

---

那很好。非常感谢你。然而，我有两个问题。首先，我提出了这个问题，但实际上我想保留其他值，即第2列中带有NaN的值。我的第二个问题是df2有很多列（63）。所以这样做会让我删除所有添加的列，这是一件非常糟糕的事情……顺便说一句，我很抱歉，在我获得15%的声誉之前，我不能添加分数，所以我不能接受你的答案。。。我相信其他人会做的，别担心好吧，我做了。然而，尽管你的答案很有用，但它并不能完全解决我的问题，我想得到其他答案。。。我不知道如果这个问题被标记为已解决，其他人是否会关心它…好的，谢谢！如果我想在另一个数据框中保留已删除的案例呢？？？@emilio.molina，请参阅UPDATEperfect，非常感谢！！所以“indicator”是决定保存数据帧哪一部分的参数，不是吗？另一个相关问题是：如果df2列的名称不同怎么办？例如代码1、代码2。这是我最后一个问题！再次感谢你@emilio.molina，使用

left_on

和

right_on

参数，而不是

on

df1.join(df2).dropna().reset_index()
Out[95]: 
  code1 code2 column1 column2
0     B     0  value2  valuey
1     C     1  value3  valuez
2     C     1  value4  valuez

In [30]: cols = ['code1','code2']

In [31]: pd.merge(df1, df2[cols], on=cols)
Out[31]:
  code1 code2 column1
0     B     0  value2
1     C     1  value3
2     C     1  value4

In [62]: pd.merge(df1, df2[cols], on=cols, how='left', indicator=True).query("_merge == 'left_only'")
Out[62]:
  code1 code2 column1     _merge
0     A     1  value1  left_only
4     D     1  value5  left_only