在Python中合并三列上的两个数据帧

我有两个数据帧，我想在两列纬度和经度上合并它们。结果df应包括所有列。 df1：

和df2：

     Station_Number       Date  Latitude  Longitude  Elevation      Value
0       CA002100636 2019-01-01   69.5667  -138.9167        1.0 -18.300000
1       CA002100636 2019-01-09   69.5667  -138.9167        1.0 -26.871429
2       CA002100636 2019-01-17   69.5667  -138.9167        1.0 -19.885714
3       CA002100636 2019-01-25   69.5667  -138.9167        1.0 -17.737500
4       CA002100636 2019-02-02   69.5667  -138.9167        1.0 -13.787500
...             ...        ...       ...        ...        ...        ...

---

我尝试过：

LST_1=pd.merge（df1，df2，how='internal'）

但是以这种方式使用merge，我丢失了几个数据点，它们包含在两个数据帧中。

我不确定是否要在特定列上进行合并，如果是这样，您需要选择一个标识符重叠的列，例如“Date”列

df\upd=pd.merge（df1，df2，on=“Date”）
打印（df)
日期纬度经度。。。经度y高程值
0  01.01.2019       66.33         17.1  ...    -138.9167       1.0  -18.300000
1  09.01.2019       66.33         17.1  ...    -138.9167       1.0  -26.871429
2  17.01.2019       66.33         17.1  ...    -138.9167       1.0  -19.885714
3  25.01.2019       66.33         17.1  ...    -138.9167       1.0  -17.737500
4  02.02.2019       66.33         17.1  ...    -138.9167       1.0  -13.787500
[5行x 9列]
INT64索引：5个条目，从0到4
数据列（共9列）：
#列非空计数数据类型
---  ------          --------------  -----  
0日期5非空对象
1纬度×5非空浮点64
2经度×5非空浮点64
3 LST 5非空对象
4站点号5非空对象
5纬度y 5非空int64
6经度y 5非空int64
7立面图5非空浮点数64
8值5非空对象
数据类型：float64（3）、int64（2）、object（4）
内存使用：400.0+字节

由于列名相同，熊猫将在纬度和经度上创建x和y

如果希望一行中的所有列和数据独立于其他列，则可以使用pd.concat。但是，由于缺少数据，这将创建一些NaN值

df_1 = pd.concat([df1, df2])
print(df_1)
         Date  Latitude  Longitude  ... Station_Number Elevation        Value
0  01.01.2019     66.33       17.1  ...            NaN       NaN          NaN
1  09.01.2019     66.33       17.1  ...            NaN       NaN          NaN
2  17.01.2019     66.33       17.1  ...            NaN       NaN          NaN
3  25.01.2019     66.33       17.1  ...            NaN       NaN          NaN
4  02.02.2019     66.33       17.1  ...            NaN       NaN          NaN
0  01.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -18.300000
1  09.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -26.871429
2  17.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -19.885714
3  25.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -17.737500
4  02.02.2019     69.56  -138.9167  ...    CA002100636       1.0   -13.787500

df_1.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10 entries, 0 to 4
Data columns (total 7 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Date            10 non-null     object 
 1   Latitude        10 non-null     float64
 2   Longitude       10 non-null     float64
 3   LST             5 non-null      object 
 4   Station_Number  5 non-null      object 
 5   Elevation       5 non-null      float64
 6   Value           5 non-null      object 
dtypes: float64(3), object(4)
memory usage: 640.0+ bytes

df_1=pd.concat（[df1，df2]）
打印（df_1）
日期经纬度。。。桩号高程值
0  01.01.2019     66.33       17.1  ...            楠楠楠楠
1  09.01.2019     66.33       17.1  ...            楠楠楠楠
2  17.01.2019     66.33       17.1  ...            楠楠楠楠
3  25.01.2019     66.33       17.1  ...            楠楠楠楠
4  02.02.2019     66.33       17.1  ...            楠楠楠楠
0  01.01.2019     69.56  -138.9167  ...    CA002100636 1.0-18.300000
1  09.01.2019     69.56  -138.9167  ...    CA002100636 1.0-26.871429
2  17.01.2019     69.56  -138.9167  ...    CA002100636 1.0-19.885714
3  25.01.2019     69.56  -138.9167  ...    CA002100636 1.0-17.737500
4  02.02.2019     69.56  -138.9167  ...    CA002100636 1.0-13.787500
df_1.info（）
INT64索引：10个条目，从0到4
数据列（共7列）：
#列非空计数数据类型
---  ------          --------------  -----  
0日期10非空对象
1纬度10非空浮点64
2经度10非空浮点64
3 LST 5非空对象
4站点号5非空对象
5立面图5非空浮点数64
6值5非空对象
数据类型：float64（3），object（4）
内存使用：640.0+字节

尝试在

merge（）

方法中传递

on

参数…例如

LST_1=pd.merge（df1，df2，how='internal'，on=['Date'，'Longitude'，'Latitude']）

是的，我已经尝试过了，但由于某些原因，数据仍然在merging过程中丢失。请提供一个最小的可复制示例：。显示您得到的输出，并解释它不正确的原因，还包括预期的输出。我认为合并浮点数是个坏主意。。。您是否尝试将

纬度

和

经度

乘以10000，四舍五入并转换为

int

<代码>（43.577244，7.055041）=>

np.圆形（43.577244*10000）。astype（int），np.圆形（7.055041*10000）。astype（int）

=>

（43577270550）

。

df_ = pd.merge(df1, df2, on="Date")
print(df_)
     Date  Latitude_x  Longitude_x  ... Longitude_y Elevation        Value
0  01.01.2019       66.33         17.1  ...    -138.9167       1.0  -18.300000
1  09.01.2019       66.33         17.1  ...    -138.9167       1.0  -26.871429
2  17.01.2019       66.33         17.1  ...    -138.9167       1.0  -19.885714
3  25.01.2019       66.33         17.1  ...    -138.9167       1.0  -17.737500
4  02.02.2019       66.33         17.1  ...    -138.9167       1.0  -13.787500

[5 rows x 9 columns]

<class 'pandas.core.frame.DataFrame'>
Int64Index: 5 entries, 0 to 4
Data columns (total 9 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Date            5 non-null      object 
 1   Latitude_x      5 non-null      float64
 2   Longitude_x     5 non-null      float64
 3   LST             5 non-null      object 
 4   Station_Number  5 non-null      object 
 5   Latitude_y      5 non-null      int64  
 6   Longitude_y     5 non-null      int64  
 7   Elevation       5 non-null      float64
 8   Value           5 non-null      object 

dtypes: float64(3), int64(2), object(4)
memory usage: 400.0+ bytes

df_1 = pd.concat([df1, df2])
print(df_1)
         Date  Latitude  Longitude  ... Station_Number Elevation        Value
0  01.01.2019     66.33       17.1  ...            NaN       NaN          NaN
1  09.01.2019     66.33       17.1  ...            NaN       NaN          NaN
2  17.01.2019     66.33       17.1  ...            NaN       NaN          NaN
3  25.01.2019     66.33       17.1  ...            NaN       NaN          NaN
4  02.02.2019     66.33       17.1  ...            NaN       NaN          NaN
0  01.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -18.300000
1  09.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -26.871429
2  17.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -19.885714
3  25.01.2019     69.56  -138.9167  ...    CA002100636       1.0   -17.737500
4  02.02.2019     69.56  -138.9167  ...    CA002100636       1.0   -13.787500

df_1.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10 entries, 0 to 4
Data columns (total 7 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Date            10 non-null     object 
 1   Latitude        10 non-null     float64
 2   Longitude       10 non-null     float64
 3   LST             5 non-null      object 
 4   Station_Number  5 non-null      object 
 5   Elevation       5 non-null      float64
 6   Value           5 non-null      object 
dtypes: float64(3), object(4)
memory usage: 640.0+ bytes