Python 中的左联接中存在不匹配的左表记录

我有两个数据框，“学生”数据框和“费用”数据框。“费用”数据框中缺少一些学生的费用详细信息。我想返回所有学费信息缺失的学生的详细信息。三个字段“Class”、“Section”和“RollNo”构成一个独特的组合

Students = pd.DataFrame({
    'Class': [7, 7, 8],
    'Section': ['A', 'B', 'B'],
    'RollNo': [2, 3, 4],
    'Student': ['Ram', 'Rahim', 'Robert']
})

Fee = pd.DataFrame({
    'Class': [7, 7, 8],
    'Section': ['A', 'B', 'B'],
    'RollNo': [2, 2, 3],
    'Fee': [10, 20, 30]
})

---

---

基本上，当我基于上述3个字段在“学生”和“费用”数据帧之间进行左连接时，我希望从左表中找到不匹配的记录。使用Python中的熊猫实现这一点的最简单方法是什么

---

多谢各位

如果数据帧中的

Fee

列中没有

NaN

s，则使用anf过滤器：

使用

NaN

s的更通用的解决方案也将参数

指示器添加到
合并
中，并仅使用
左
过滤行：

Fee = pd.DataFrame({'Class':[7,7,8],
                    'Section':['A','B','B'],
                    'RollNo':[2,2,3],
                    'Fee':[np.nan,20,30]})
print (Fee)
   Class   Fee  RollNo Section
0      7   NaN       2       A
1      7  20.0       2       B
2      8  30.0       3       B

df = pd.merge(Students, Fee, how='left', indicator=True)
print (df)
   Class  RollNo Section Student  Fee     _merge
0      7       2       A     Ram  NaN       both
1      7       3       B   Rahim  NaN  left_only
2      8       4       B  Robert  NaN  left_only

df1 = df[df['_merge'].eq('left_only')].drop(['Fee','_merge'], axis=1)
print (df1)
   Class  RollNo Section Student
1      7       3       B   Rahim
2      8       4       B  Robert

我对这个概念很感兴趣

选择1
将
pandas.concat
与
键一起使用
参数
确保
Students
s部分获得结果
多索引的第一级
的值stu'

使用
pandas.DataFrame.drop_duplicates
和参数
keep=False
删除所有重复项
通过使用
loc
将注意力集中在
学生部分



选择2
使用元组列表上的集合，获取差异并与人造数据帧合并

cols = ['Class', 'RollNo', 'Section']
s = set(map(tuple, Students[cols].values))
f = set(map(tuple, Fee[cols].values))

Students.merge(pd.DataFrame(list(s - f), columns=cols))

   Class  RollNo Section Student
0      7       3       B   Rahim
1      8       4       B  Robert

df = pd.merge(Students, Fee, how='left')
print (df)
   Class  RollNo Section Student   Fee
0      7       2       A     Ram  10.0
1      7       3       B   Rahim   NaN
2      8       4       B  Robert   NaN

df1 = df[df['Fee'].isna()].drop('Fee', axis=1)
#for oldier versions of pandas
#df1 = df[df['Fee'].isnull()].drop('Fee', axis=1)
print (df1)
   Class  RollNo Section Student
1      7       3       B   Rahim
2      8       4       B  Robert

Fee = pd.DataFrame({'Class':[7,7,8],
                    'Section':['A','B','B'],
                    'RollNo':[2,2,3],
                    'Fee':[np.nan,20,30]})
print (Fee)
   Class   Fee  RollNo Section
0      7   NaN       2       A
1      7  20.0       2       B
2      8  30.0       3       B

df = pd.merge(Students, Fee, how='left', indicator=True)
print (df)
   Class  RollNo Section Student  Fee     _merge
0      7       2       A     Ram  NaN       both
1      7       3       B   Rahim  NaN  left_only
2      8       4       B  Robert  NaN  left_only

df1 = df[df['_merge'].eq('left_only')].drop(['Fee','_merge'], axis=1)
print (df1)
   Class  RollNo Section Student
1      7       3       B   Rahim
2      8       4       B  Robert

catted = pd.concat([Students, Fee], keys=['stu', 'fee'])
dropped = catted.drop_duplicates(['Class', 'RollNo', 'Section'], keep=False)
index = dropped.loc['stu'].index

Students.loc[index]

   Class  RollNo Section Student
1      7       3       B   Rahim
2      8       4       B  Robert

cols = ['Class', 'RollNo', 'Section']
s = set(map(tuple, Students[cols].values))
f = set(map(tuple, Fee[cols].values))

Students.merge(pd.DataFrame(list(s - f), columns=cols))

   Class  RollNo Section Student
0      7       3       B   Rahim
1      8       4       B  Robert