Pandas 中的内部和外部合并，indicator=True

Question

假设我有两个数据框df1 和df2。我可以通过这种方式进行内部和外部连接：

inner_df = df1.merge(df2, how="inner", left_on=col_df1, right_on=col_df2)
outer_df = df1.merge(df2, how="outer", left_on=col_df1, right_on=col_df2)

DataFrame.merge 方法允许您使用indicator 属性：如果为 True，则在输出 DataFrame 中添加一个名为“_merge”的列，其中包含有关每行来源的信息。对于合并键仅出现在“左”数据帧中的观察，该列的值为“left_only”，对于合并键仅出现在“右”数据帧中的观察，该列的值为“right_only”，如果发现观察的合并键，则为“both”两者都有。

我不确定我是否正确理解了这个属性的作用。这是我的问题：这两段代码是否等效？

inner_df = df1.merge(df2, how="inner", left_on=col_df1, right_on=col_df2)

outer_df = df1.merge(df2, how="outer", left_on=col_df1, right_on=col_df2,
                     indicator=True)
inner_df = outer_df[outer_df['_merge'] == 'both'].drop(columns=["_merge"])

Answer 1

两次合并返回相同的行。但不完全相同的数据帧。区别在于：

1. inner_df2 有一个额外的列 _merge 列 - 好的，如果用 ...drop(columns='_merge') 摆脱它是微不足道的
2. 这些列可能已填充了 NaN 值。如果有些具有整数类型，则它们已转换为浮点类型。这通常不是一个大问题，因为一旦您只选择没有 NaN 值的行，您就可以将它们转换回它们的原始类型。在一个用例中是一个严重的问题：如果您有一个 numpy int64 类型和使用超过 53 位的值。在这种情况下，来回转换会将最低有效位归零。这将导致不准确的值，因为它们代表一些度量，或者如果它们是标识符，则更糟。

长话短说：两者是否等效取决于实际用例...