pd.merge( )

Definition : 
merge(left: 'DataFrame | Series', right: 'DataFrame | Series', 
how: 'str'='inner', 
on: 'IndexLabel | None'=None, 
left_on: 'IndexLabel | None'=None, 
right_on: 'IndexLabel | None'=None, 
left_index: 'bool'=False, 
right_index: 'bool'=False, 
sort: 'bool'=False, 
suffixes: 'Suffixes'=('_x', '_y'), 
copy: 'bool'=True, 
indicator: 'bool'=False, 
validate: 'str | None'=None) -> 'DataFrame'

参数含义

left：待链接的左侧数据集。

right：待链接的右侧数据集。

how：左右数据集的连接方式。可选‘left’、‘right’、‘outer’、‘inner’，'cross'，默认为inner。

on：左右两个待链接数据集有共同列名，且按该列链接两个数据集合时使用该参数。

left_on：链接两个数据集时，左数据集对应连接关键字(可为列表)。

right_on：链接两个数据集时，右数据集对应连接关键字(可为列表)。

left_index：若为True，则按左数据集的索引连接两个数据集。

right_index：若为True，则按右数据集的索引连接两个数据集。

sort：对结果数据集进行排序。

suffixes：为左右数据集中重复列名定义后缀。默认加('_x','_y')。

Merge method

Examples

import pandas as pd
left = pd.DataFrame(
    {
        "key": ["K0", "K1", "K2", "K3"],
        "A": ["A0", "A1", "A2", "A3"],
        "B": ["B0", "B1", "B2", "B3"],
    }
)
right = pd.DataFrame(
    {
        "key": ["K0", "K1", "K2", "K3"],
        "C": ["C0", "C1", "C2", "C3"],
        "D": ["D0", "D1", "D2", "D3"],
    }
)

result = pd.merge(left, right, on="key" ,how= 'inner')

left = pd.DataFrame(
    {
        "key1": ["K0", "K0", "K1", "K2"],
        "key2": ["K0", "K1", "K0", "K1"],
        "A": ["A0", "A1", "A2", "A3"],
        "B": ["B0", "B1", "B2", "B3"],
    }
)
right = pd.DataFrame(
    {
        "key1": ["K0", "K1", "K1", "K2"],
        "key2": ["K0", "K0", "K0", "K0"],
        "C": ["C0", "C1", "C2", "C3"],
        "D": ["D0", "D1", "D2", "D3"],
    }
)

result = pd.merge(left, right, how="left",  on=["key1", "key2"])

result = pd.merge(left, right, how="right", on=["key1", "key2"])

result = pd.merge(left, right, how="outer", on=["key1", "key2"])

result = pd.merge(left, right, how="inner", on=["key1", "key2"])

DataFrame与Series链接

df = pd.DataFrame({"Let": ["A", "B", "C"], "Num": [1, 2, 3]})
ser = pd.Series(
    ["a", "b", "c", "d", "e", "f"],
    index=pd.MultiIndex.from_arrays(
        [["A", "B", "C"] * 2, [1, 2, 3, 4, 5, 6]], names=["Let", "Num"]
    ),
)

pd.merge(df, ser.reset_index(), on=["Let", "Num"])

检查重复关键字

left = pd.DataFrame({"A": [1, 2], "B": [2, 2]})
right = pd.DataFrame({"A": [4, 5, 6], "B": [2, 2, 2]})
result = pd.merge(left, right, on="B", how="outer")

left = pd.DataFrame({"A": [1, 2], "B": [1, 2]})
right = pd.DataFrame({"A": [4, 5, 6], "B": [2, 2, 2]})
result = pd.merge(left, right, on="B", how="outer", validate="one_to_one")

pd.merge(left, right, on="B", how="outer", validate="one_to_many")

合并指示器

df1 = pd.DataFrame({"col1": [0, 1], "col_left": ["a", "b"]})
df2 = pd.DataFrame({"col1": [1, 2, 2], "col_right": [2, 2, 2]})

pd.merge(df1, df2, on="col1", how="outer", indicator=True)
pd.merge(df1, df2, on="col1", how="outer", indicator="indicator_column")

总结

根据不同的使用场景，设置不同的参数值，达到预期的数据集链接目的。此处仅仅是个人的学习笔记，还有很多灵活的用法没有列举出来，感兴趣的可以深入操练。同时，强烈建议您要多读pandas官方文档，很多用法均来自官方文档，毕竟“您要学会打猎”。

关于数据集链接，我之前的文章也有介绍，建议您系统性的浏览：

• 18pandas.concat: 合并数据
  
• 19pandas读取合并多个Excel文件
  

有关其他主题文章，也可以关注我的微信公众号“曾老师会计与统计”查看。