Python 将两个数据帧与一些公共列合并，其中公共列的组合需要是一个自定义函数

我的问题非常类似于，但它不能回答我的需要

假设我有两个数据帧，例如（请注意，数据帧内容可以是浮点数，而不是布尔数）：

正确的 左边 正如您所看到的，它们具有相同的索引，其中一列是公共的。在现实生活中，可能会有更多的公共列，如1.0或其他尚未定义的数字，并且每侧都有更多的唯一列。 我需要组合这两个数据帧，以便保留所有唯一的列，并使用一个特定的函数（例如布尔函数或本例中的布尔函数）组合公共列，同时两个数据帧的索引始终相同

因此，结果应该是：

结果 在现实生活中，将有两个以上的数据帧需要组合，但它们可以依次组合成一个空的第一个数据帧

---

我觉得pandas.combine可能会起作用，但我无法从文档中找到答案。任何人都会对如何在一个或多个步骤中实现这一点提出建议。

您可以连接数据帧，然后按列名分组以对类似命名的列应用一个操作：在这种情况下，您可以不用求和，然后将类型转换回bool以获得

或
操作

import pandas as pd

df = pd.concat([left, right], 1)
df.groupby(df.columns, 1).sum().astype(bool)

输出：

如果您需要了解如何以不太区分大小写的方式执行此操作，那么再次只需按列分组，并通过
axis=1

df = pd.concat([left, right], 1)
df.groupby(df.columns, 1).apply(lambda x: x.any(1))
#        0.0   0.5    0.7
#12.5   True  True   True
#14.0   True  True  False
#15.5  False  True  False


此外，还可以定义自定义组合函数。这是一个将左帧的两倍添加到右帧的四倍的方法。如果只有一列，则返回左帧的2x

样本数据
左：

对:

      0.7  0.5
12.5    4    2
14.0    4   -1
15.5    5    5

代码
输出：

最后，如果希望以连续的方式执行此操作，则应使用
reduce
。在这里，我将把5
DataFrames
与上述函数结合起来。（对于示例，我将重复右帧4x）

我将通过几个步骤来完成：推导公共列，将组合函数应用于这两个列，然后添加非公共列。对于两个以上的数据帧，您可以将这些步骤应用于第一个数据帧，同时循环其他数据帧。这听起来合乎逻辑吗？很好。。。。但是，如果组合函数不是简单的布尔或，并且数据帧包含数字而不是布尔，该怎么办？函数可以是通用的，但总是对称的：f（右，左）@user10472446请参阅更新。您可以定义自己的函数，然后与
reduce
结合使用，通过提供要加入的
数据帧列表，您可以将该函数应用于每个连续的连接。非常感谢，这就是我一直在寻找的！
        0.0   0.5    0.7
12.5   True  True   True
14.0   True  True  False
15.5  False  True  False

import pandas as pd

df = pd.concat([left, right], 1)
df.groupby(df.columns, 1).sum().astype(bool)

        0.0   0.5    0.7
12.5   True  True   True
14.0   True  True  False
15.5  False  True  False

df = pd.concat([left, right], 1)
df.groupby(df.columns, 1).apply(lambda x: x.any(1))
#        0.0   0.5    0.7
#12.5   True  True   True
#14.0   True  True  False
#15.5  False  True  False

      0.0  0.5
12.5    1   11
14.0    2   17
15.5    3   17

      0.7  0.5
12.5    4    2
14.0    4   -1
15.5    5    5

def my_func(x):
    try:
        res = x.iloc[:, 0]*2 + x.iloc[:, 1]*4
    except IndexError:
        res = x.iloc[:, 0]*2
    return res

df = pd.concat([left, right], 1)
df.groupby(df.columns, 1).apply(lambda x: my_func(x))

      0.0  0.5  0.7
12.5    2   30    8
14.0    4   30    8
15.5    6   54   10

from functools import reduce

def my_comb(df_l, df_r, func):
    """ Concatenate df_l and df_r along axis=1. Apply the
    specified function.
    """
    df = pd.concat([df_l, df_r], 1)
    return df.groupby(df.columns, 1).apply(lambda x: func(x))

reduce(lambda dfl, dfr: my_comb(dfl, dfr, func=my_func), [left, right, right, right, right])
#      0.0  0.5  0.7
#12.5   16  296  176
#14.0   32  212  176
#15.5   48  572  220