Pandas merge用法解析（用Excel的数据为例子）

Pandas merge用法解析（用Excel的数据为例子）

【知识点】

语法：

参数如下：

left: 拼接的左侧DataFrame对象

right: 拼接的右侧DataFrame对象

on: 要加入的列或索引级别名称。必须在左侧和右侧DataFrame对象中找到。如果未传递且left_index和right_index为False，则DataFrame中的列的交集将被推断为连接键。

left_on:左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。

right_on: 左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。

left_index: 如果为True，则使用左侧DataFrame中的索引（行标签）作为其连接键。对于具有MultiIndex（分层）的DataFrame，级别数必须与右侧DataFrame中的连接键数相匹配。

right_index: 与left_index功能相似。

how: One of ‘left’, ‘right’, ‘outer’, ‘inner’. 默认inner。

inner是取交集，

outer取并集。

比如left：[‘A’,‘B’,‘C’];right[’'A,‘C’,‘D’]；inner取交集的话，left中出现的A会和right中出现的买一个A进行匹配拼接，如果没有是B，在right中没有匹配到，则会丢失。'outer’取并集，出现的A会进行一一匹配，没有同时出现的会将缺失的部分添加缺失值。

sort: 按字典顺序通过连接键对结果DataFrame进行排序。默认为True，设置为False将在很多情况下显着提高性能。

suffixes: 用于重叠列的字符串后缀元组。默认为（‘x’，’ y’）。

copy: 始终从传递的DataFrame对象复制数据（默认为True），即使不需要重建索引也是如此。

indicator:将一列添加到名为_merge的输出DataFrame，其中包含有关每行源的信息。_merge是分类类型，并且对于其合并键仅出现在“左”DataFrame中的观察值，取得值为left_only，对于其合并键仅出现在“右”DataFrame中的观察值为right_only，并且如果在两者中都找到观察点的合并键，则为left_only。

【实例】

# -*- coding: UTF-8 -*-
import pandas as pd
df1=pd.read_excel('data_1.xlsx')
df2=pd.read_excel('data_2.xlsx')
vlookup_data=pd.merge(df1,df2,how='inner')
print(vlookup_data)

vlookup_data=pd.merge(df1,df2,how='inner')

如果是用 how=’inner’，是取交集

则可以看到【2019010 鸠摩智】与【2019011 丁春秋】两个数据丢失了

vlookup_data=pd.merge(df1,df2,how='outer')

如果是用how=’outer’是取并集

可以看到两个10，一个是【2019010 鸠摩智】一个是【2019011 丁春秋】总共是11个数据，没有数所的用NaN填空

vlookup_data=pd.merge(df1,df2,how='left')

左边数据DataFrame的【2019010 鸠摩智】保留，右边的【2019011 丁春秋】丢失了

vlookup_data=pd.merge(df1,df2,how='right')

这个就可以自己解理了

=======================

Pandas比excel的vlookup更强大快捷

====今天学习到此====