为了方便维护,一般公司的数据在数据库内都是分表存储的,比如用一个表存储所有用户的基本信息,一个表存储用户的消费情况。所以,在日常的数据处理中,经常需要将两张表拼接起来使用,这样的操作对应到SQL中是join
,在Pandas中则是用merge
来实现。这篇文章就讲一下merge
的主要原理。
上面的引入部分说到merge
是用来拼接两张表的,那么拼接时自然就需要将用户信息一一对应地进行拼接,所以进行拼接的两张表需要有一个共同的识别用户的键(key)。总结来说,整个merge
的过程就是将信息一一对应匹配的过程,下面介绍merge
的四种类型,分别为'inner'
、'left'
、'right'
和'outer'
。
一、inner
merge
的'inner'
的类型称为内连接,它在拼接的过程中会取两张表的键(key)的交集进行拼接。什么意思呢?下面以图解的方式来一步一步拆解。
首先我们有以下的数据,左侧和右侧的数据分别代表了用户的基础信息和消费信息,连接两张表的键是userid
。
现在用'inner'
的方式进行merge
In [6]: df_1.merge(df_2,how='inner',on='userid')Out[6]:userid age payment0a 2320001c 323500
过程图解:
①取两张表的键的交集,这里df_1
和df_2
的userid
的交集是{a,c}
②对应匹配
③结果
过程汇总:
相信整个过程并不难理解,上面演示的是同一个键下,两个表对应只有一条数据的情况(一个用户对应一条消费记录),那么,如果一个用户对应了多条消费记录的话,那又是怎么拼接的呢?
假设现在的数据变成了下面这个样子,在df_2
中,有两条和a
对应的数据:
同样用inner
的方式进行merge
:
In [12]: df_1.merge(df_2,how='inner',on='userid')Out[12]:userid age payment0a 2320001a 235002b 4610003c 323500
整个过程除了对应匹配阶段,其他和上面基本都是一致的。
过程图解:
①取两张表的键的交集,这里df_1
和df_2
的userid
的交集是{a,b,c}
②对应匹配时,由于这里的a
有两条对应的消费记录,故在拼接时,会将用户基础信息表中a
对应的数据复制多一行来和右边进行匹配。
③结果
二、left 和right
'left'
和'right'
的merge
方式其实是类似的,分别被称为左连接和右连接。这两种方法是可以互相转换的,所以在这里放在一起介绍。
'left'
merge
时,以左边表格的键为基准进行配对,如果左边表格中的键在右边不存在,则用缺失值NaN
填充。
'right'
merge
时,以右边表格的键为基准进行配对,如果右边表格中的键在左边不存在,则用缺失值NaN
填充。
什么意思呢?用一个例子来具体解释一下,这是演示的数据
现在用'left'
的方式进行merge
In [21]: df_1.merge(df_2,how='left',on='userid')Out[21]:userid age payment0a 23 2000.01b 46NaN2c 32 3500.03d 19NaN
过程图解:
①以左边表格的所有键为基准进行配对。图中,因为右表中的e
不在左表中,故不会进行配对。
②若右表中的payment
列合并到左表中,对于没有匹配值的用缺失值NaN
填充
过程汇总:
对于'right'
类型的merge
和'left'
其实是差不多的,只要把两个表格的位置调换一下,两种方式返回的结果就是一样的(),如下:
In [22]: df_2.merge(df_1,how='right',on='userid')Out[22]:userid payment age0a 2000.0 231c 3500.0 322bNaN 463dNaN 19
至于'left'
和'right'
中(乃至于下面将介绍的'outer'
)连接的键是一对多的情况,原理和上方的'inner'
是类似的,这里便不再赘述。
三、outer
'outer'
是外连接,在拼接的过程中它会取两张表的键(key)的并集进行拼接。看文字不够直观,还是上例子吧!
还是使用上方用过的演示数据
这次使用'outer'
进行merge
In [24]: df_1.merge(df_2,how='outer',on='userid')Out[24]:userid age payment0a 23.0 2000.01b 46.0NaN2c 32.0 3500.03d 19.0NaN4e NaN 600.0
图解如下:
①取两张表键的并集,这里是{a,b,c,d,e}
②将两张表的数据列拼起来,对于没有匹配到的地方,使用缺失值NaN
进行填充
能读到这里的小伙伴想必也基本理解了merge
的整个过程,总结来说,merge
的不同类型区别就在于拼接时,选用的是两表的键的集合不同。关于Pandas的merge
就介绍到这里!