数据城堡参赛代码实战篇（四）---使用pandas合并数据表
小编们最近参加了数据城堡举办的“大学生助学金精准资助预测”比赛，分组第19名的成绩进入了复赛，很激动有木有！在上一篇文章中，小编主要介绍了pandas中使用drop_duplicates()方法去除重复数据。本篇，小编文文将带你探讨pandas在数据合并的应用。
1 上期回顾
首先，小编带你回顾一下drop_duplicates()方法的使用，我们定义一个DataFrame如下：
df=pd.DataFrame({'id':[1,1,2],'value':[5,10,12]})
print (df)输出如下：
id value
0 1 5
1 1 10
2 2 12可以看到，有两个id为1的数据行，如果我们只想保留最后一条id为1的数据，那么使用drop_duplicates()方法如下：
df.drop_duplicates(['id'],keep='last',inplace=True)
print (df)得到如下的结果：
id value
1 1 10
2 2 122 使用pandas合并数据
根据官方给出的数据，我们分别提取了消费数据、图书馆进出数据、图书借阅数据的特征，并分别写入了不同的csv文件。那么我们如何将这一系列数据文件合并成一个文件呢？pandas提供了多种对数据进行合并的方法，不过本文主要介绍的是merge()方法的应用。
由于官方数据比较复杂，我们将使用两个简单的DataFrame来介绍merge函数的应用：
df1=pd.DataFrame({'key':['b','b','a','c','a','a','b'],
'data':range(7)})
df2=pd.DataFrame({'key':['a','b','d'],
'data2':range(3)})输出两个表：
data key
0 0 b
1 1 b
2 2 a
3 3 c
4 4 a
5 5 a
6 6 b
data2 key
0 0 a
1 1 b
2 2 d首先我们来看看直接使用merge()方法的效果：
data key data2
0 0 b 1
1 1 b 1
2 6 b 1
3 2 a 0
4 4 a 0
5 5 a 0可以看到，我们在合并数据表时并没有指定根据哪一列合并，那么pandas会自动搜索两个DataFrame中的相同列，如果有，则按该列进行合并，如果没有，则会报下面的错：
pandas.tools.merge.MergeError: No common columns to perform merge on好了，了解了merge的基本使用，我们接下来主要来探究两个问题：
2.1 关于连接属性
在上面的合并过程中，我们并没有指定合并的列，它会自动搜索两个DataFrame中相同的列进行合并，所以上述代码与下面的代码效果是一样的：
(pd.merge(df1,df2,on='key'))如果两个数据表中没有相同的列呢？假定我们的两个数据表是下面的样子：
df3=pd.DataFrame({'key1':['b','b','a','c','a','a','b'],
'data':range(7)})
df4=pd.DataFrame({'key2':['a','b','d'],
'data2':range(3)})此时，我们需要显式地指定根据哪一列进行合并，代码如下：
print (pd.merge(df3,df4,left_on='key1',right_on='key2'))输出如下：
data key1 data2 key2
0 0 b 1 b
1 1 b 1 b
2 6 b 1 b
3 2 a 0 a
4 4 a 0 a
5 5 a 0 a可以看到，我们指定按照df3的key1列和df4的key2列进行合并，结果中两列的值都是相同的。
2.2 关于连接方式
细心的读者可能已经发现了，在我们合并df1和df2的时候，我们没有指定按照何种方式连接，结果中没有key值为‘c’或者‘d’的数据，这是因为pandas的merge()方法默认使用的是内连接（inner），结果中的键是交集，即只有key值为‘a'和’b'的列，因此上述合并df1和df2的代码和下面的代码等同：
pd.merge(df1,df2,how='inner')另一个需要注意的地方是，pandas对相同的键做笛卡尔积运算。例如df1中key值为’a'的有3行，df2种key值为‘a’的有1行，那么合并结果中key值为‘a’的有3*1=3行。
如果不想做内连接，pandas提供了像数据库一样的外连接方式，有全外连接、左外连接和右外连接三种方式，接下来，小编带你探究这三种方式的区别：
全外连接
使用如下的代码进行全外连接
print (pd.merge(df1,df2,how='outer'))输出如下：
data key data2
0 0.0 b 1.0
1 1.0 b 1.0
2 6.0 b 1.0
3 2.0 a 0.0
4 4.0 a 0.0
5 5.0 a 0.0
6 3.0 c NaN
7 NaN d 2.0可以看到，全外连接取的是两个DataFrame的键的并集，如果一个键只在其中一个DataFrame中出现，则结果中会用NaN来补足数据。例如，只有df1中有key值为‘c’的数据，则合并结果中data2列使用NaN来补足数据。
左外连接
使用如下的代码进行左外连接
print (pd.merge(df1,df2,how='left'))输出如下：
data key data2
0 0.0 b 1.0
1 1.0 b 1.0
2 6.0 b 1.0
3 2.0 a 0.0
4 4.0 a 0.0
5 5.0 a 0.0
6 3.0 c NaN可以看到，左外连接求取的是左边DataFrame即df1的键值，即['a','b','c']，那么如果某些键不存在于右边的DataFrame中，对应的数据以NaN补足。
右外连接
使用如下的代码进行右外连接
print (pd.merge(df1,df2,how='right'))输出如下：
data key data2
0 0.0 b 1.0
1 1.0 b 1.0
2 6.0 b 1.0
3 2.0 a 0.0
4 4.0 a 0.0
5 5.0 a 0.0
6 NaN d 2.0可以看到，右外连接求取的是右边DataFrame即df2的键值，即['a','b','d']，那么如果某些键不存在于左边的DataFrame中，对应的数据以NaN补足。
3 总结
本篇，小编带你初步探索了pandas中合并数据表方法merge()的应用，并重点介绍了两个主要的参数，连接键值on和连接方式how。至此，有关数据特征提取以及数据合并的工作已经全部结束，下一节，小编将要开始带领大家一起使用sklearn机器学习包对数据进行分类预测，敬请期待！
想了解更多？ 那就赶紧来关注我们