python pandas-获取两个数据帧之间的匹配和不匹配记录
我是python中使用pandas的新手,而我在python方面有很好的知识 我有两个数据帧,从中我必须将匹配的记录和不匹配的记录放入新的数据帧中 例如: DF1: DF2: 而且,这里主键是ID和Name(实际上,键的数量可能会有所不同),我需要 匹配_df:python pandas-获取两个数据帧之间的匹配和不匹配记录,python,pandas,compare,Python,Pandas,Compare,我是python中使用pandas的新手,而我在python方面有很好的知识 我有两个数据帧,从中我必须将匹配的记录和不匹配的记录放入新的数据帧中 例如: DF1: DF2: 而且,这里主键是ID和Name(实际上,键的数量可能会有所不同),我需要 匹配_df: ID Name Number DOB Salary 1 AAA 1234 12-05-1996 100000 2 BBB 1235 16-08-1997 200000 3 CCC 1236 24-0
ID Name Number DOB Salary
1 AAA 1234 12-05-1996 100000
2 BBB 1235 16-08-1997 200000
3 CCC 1236 24-04-1998 389999
不匹配_df:
ID Name Number DOB Salary
4 DDD 1237 05-09-2000 540000
我试过所有可能的方法,比如
pd.merge(df1, df2, left_on=[ID,Name],right_on=[ID,Name], how='inner')
这将生成两个数据帧中的所有唯一键。但这也会产生不匹配的记录
但我得到的结果是:
ID Name Number DOB Salary
1 AAA 1234 12-05-1996 100000
2 BBB 1235 16-08-1997 200000
3 CCC 1236 24-04-1998 389999
4 DDD 1237 05-09-2000 540000
第四张唱片也被包括在内
在这里,只有薪资col是可变的,但在实时情况下,它可能是要比较的col列表
从这里,我只需要得到匹配的_-df的匹配记录和不匹配的_-df的非匹配记录
请帮我做这件事
注意:我的数据集可能是一个巨大的数据集(两个数据集中都有1亿条记录),因此,请给我一个有效的方法来减少执行时间
提前感谢。我的解决方案会有点不同,只需从另一个数据集中复制工资即可 例如:
DF1["Salary2"] = DF2["Salary"]
MatchDF = DF1[DF1["Salary"] == DF1["Salary2"]]
MisMatchDF = DF1[DF1["Salary"] != DF1["Salary2"]]
您的问题的简单答案是使用
df1。其中:
注意:带有NaN的结果单元格不满足条件,即它们在两个数据帧中不相等。具有实值的数据帧是两个数据帧中相等的数据帧
>>> df1.where(df1.Salary==df2.Salary)
DoB ID Name Salary
0 12-05-1996 1 AAA 100000.0
1 16-08-1997 2 BBB 200000.0
2 24-04-1998 3 CCC 389999.0
3 NaN NaN NaN NaN
使用pd.merge
:如果您只想合并没有列或索引级别的df1和df1,那么它将默认为两个数据帧中列的交点
>>> pd.merge(df1, df2)
DoB ID Name Salary
0 12-05-1996 1 AAA 100000
1 16-08-1997 2 BBB 200000
2 24-04-1998 3 CCC 389999
如果您希望加入列或索引级别,请在上使用
>>> pd.merge(df1, df2, on="Salary")
DoB_x ID_x Name_x Salary DoB_y ID_y Name_y
0 12-05-1996 1 AAA 100000 12-05-1996 1 AAA
1 16-08-1997 2 BBB 200000 16-08-1997 2 BBB
2 24-04-1998 3 CCC 389999 24-04-1998 3 CCC
对于df2
中的不匹配:您可以选择方法:
梅布尔给的另一种方式
df2[~df2.isin(df1).all(axis=1)]
要获得比赛:
>> df1.merge(df2)
ID Name Number DOB Salary
0 1 AAA 1234 12-05-1996 100000
1 2 BBB 1235 16-08-1997 200000
2 3 CCC 1236 24-04-1998 389999
对于不匹配,选择df2中的行:
>> df2[~df2.isin(df1).all(axis=1)]
Name Number DOB Salary
ID
4 DDD 1237 05-09-2000 540000
但实际上,我的真实数据集可能包含“n”个要检查的列,这样做会使我的代码硬编码,还可能导致性能不佳……我的意思是,你应该尝试合并,但保留薪资列不变,然后在事后进行比较。可能更容易。但我是一个新手,非常感谢你的观点,我已经投了赞成票,但我不认为这会反映出我是一个新的投稿人……你有多个答案,你可以用一个来从未回答的队列中清除这个问题。是的,但实际上我仍在努力解决这个问题。这就是为什么我仍然保留这个。当我传递COL列表而不是“SALLAY”时,会抛出“异常:无法处理非唯一的多索引!”错误……好的,我不知道您正在比较多个列。待命。我将在短期内进一步更新此内容以删除循环-此操作现在对您有效吗?删除了循环并使比较所有列或仅比较选定列变得容易。非常感谢,您的操作非常棒。我只是需要做一些更多的改变来完成我想要的工作。太谢谢你了!!!!谢谢你花时间回答我的问题,我已经投了赞成票,但我不认为这会反映出我是新的投稿人。。。
df2[~df2.isin(df1).all(axis=1)]
>> df1.merge(df2)
ID Name Number DOB Salary
0 1 AAA 1234 12-05-1996 100000
1 2 BBB 1235 16-08-1997 200000
2 3 CCC 1236 24-04-1998 389999
>> df2[~df2.isin(df1).all(axis=1)]
Name Number DOB Salary
ID
4 DDD 1237 05-09-2000 540000
# pick index keys and compare column(s)
keys = ['ID', 'Name']
# if comparing all columns:
col_list = [col for col in df1.columns if col not in keys]
# # if comparing specific columns:
# col_list = ['Salary', 'DOB']
# extend keys with col_list for next step
sel_cols = keys.copy()
sel_cols.extend(col_list)
# set a multi-index with keys
# to dataframes with col_list columns
dfa = df1[sel_cols].set_index(keys)
dfb = df2[sel_cols].set_index(keys)
# make an equivalency boolean mask
dfa.update(dfb)
mask = np.equal(df1[col_list].values, dfa.values).all(axis=1)
# slice df1 with mask
Match_df = df1[mask]
Mismatch_df = df1[~mask]