Pandas 根据另一个数据框中的匹配列填充新的数据框列

Question

我有一个df，其中包含我的主要数据，其中有一百万个rows。我的主要数据也有30个columns。现在我想在我的df 中添加另一列，名为category。 category 是 df2 中的 column，其中包含大约 700 个 rows 和另外两个 columns，它们将与 df 中的两个 columns 匹配。

我首先在df2 和df 中设置一个index，它将在帧之间匹配，但是df2 中的一些index 在df 中不存在。

df2 中的其余列称为AUTHOR_NAME 和CATEGORY。

df 中的相关列称为AUTHOR_NAME。

df 中的某些AUTHOR_NAME 在df2 中不存在，反之亦然。

我想要的指令是：当df中的index匹配df2中的index和df中的title匹配df2中的title时，将category添加到@ 987654356@，否则在category中添加NaN。

示例数据：

df2
           AUTHOR_NAME              CATEGORY
Index       
Pub1        author1                 main
Pub2        author1                 main
Pub3        author1                 main
Pub1        author2                 sub
Pub3        author2                 sub
Pub2        author4                 sub


df
            AUTHOR_NAME     ...n amount of other columns        
Index       
Pub1        author1                 
Pub2        author1     
Pub1        author2 
Pub1        author3
Pub2        author4 

expected_result
            AUTHOR_NAME             CATEGORY   ...n amount of other columns
Index
Pub1        author1                 main
Pub2        author1                 main
Pub1        author2                 sub
Pub1        author3                 NaN
Pub2        author4                 sub

如果我使用df2.merge(df,left_index=True,right_index=True,how='left', on=['AUTHOR_NAME'])，我的df 会比预期的大三倍。

所以我认为合并可能是解决此问题的错误方法。我真正想做的是使用df2 作为查找表，然后根据是否满足某些条件将type 值返回到df。

def calculate_category(df2, d):
    category_row = df2[(df2["Index"] == d["Index"]) & (df2["AUTHOR_NAME"] == d["AUTHOR_NAME"])]
    return str(category_row['CATEGORY'].iat[0])

df.apply(lambda d: calculate_category(df2, d), axis=1)

但是，这会引发一个错误：

IndexError: ('index out of bounds', u'occurred at index 7614')

Answer 1

考虑以下数据框 df 和 df2

df = pd.DataFrame(dict(
        AUTHOR_NAME=list('AAABBCCCCDEEFGG'),
        title=      list('zyxwvutsrqponml')
    ))

df2 = pd.DataFrame(dict(
        AUTHOR_NAME=list('AABCCEGG'),
        title      =list('zwvtrpml'),
        CATEGORY   =list('11223344')
    ))

选项 1
merge

df.merge(df2, how='left')

选项 2
join

cols = ['AUTHOR_NAME', 'title']
df.join(df2.set_index(cols), on=cols)

---

两个选项都产生

Answer 2

方法 1：

您可以改用concat 并删除Index 和AUTHOR_NAME 合并列中存在的重复值。之后，使用isin 来检查成员资格：

df_concat = pd.concat([df2, df]).reset_index().drop_duplicates(['Index', 'AUTHOR_NAME'])
df_concat.set_index('Index', inplace=True)
df_concat[df_concat.index.isin(df.index)]

注意：Index 列假定设置为DF's 的索引列。

---

方法 2：

正确设置索引列后使用join如图：

df2.set_index(['Index', 'AUTHOR_NAME'], inplace=True)
df.set_index(['Index', 'AUTHOR_NAME'], inplace=True)

df.join(df2).reset_index()

Answer 3

虽然这里的其他答案为所提出的问题提供了非常好的和优雅的解决方案，但我找到了一个资源，它既能以极其优雅的方式回答这个问题，又能提供一组非常清晰明了的示例，说明如何完成数据帧的连接/合并，有效地教授 LEFT、RIGHT、INNER 和 OUTER 连接。

Join And Merge Pandas Dataframe

老实说，我觉得这个话题之后任何进一步的寻求者都会想检查他的例子......

Answer 4

您可以尝试以下方法。它会将指定列上的两个数据集合并为键。

expected_result = pd.merge(df, df2, on = 'CATEGORY', how = 'left')