基于关键字段在python中连接不同长度的表

Question

所以我想用两个表都包含的键字段对两个表进行连接，这样我就可以进行并排比较。

表 A 有 1164 行，表 B 有 74 行。表 A 中的公共字段称为 EmployeeID，表 B 中的“相同”字段称为 UserID。

Table A

Table B

我希望有 3 种形式的输出：

1. 表 1 包含仅在表 A 中找到关键字段值的记录。 （左不匹配）
2. 具有匹配记录的表 2（因此在表 A 和 B 中找到关键字段值。（INNER JOIN）
3. 表 3 中包含仅在表 B 中的记录。（未匹配正确）

解决这个问题的最佳方法是什么？

当我使用这段代码时：

data_left_join = pd.merge(table_a, table_b, how='left')

结果我得到了 48268 行。

我能找到的所有文章都是用 SQL 或 R 写的。

我设法导入了表格并对表格进行了一些修改。但我被困在这里。

提前致谢。

Answer 1

您可以将merge() 与left_on 和right_on 参数一起使用来指定您的关键字段，然后检查NaN 值以查找哪些行不在表中：

import pandas as pd

# Create dataframes to test with
table_a = pd.DataFrame({
    "value": [1, 2, 3, 4, 5],
    "employee_id": [100, 200, 300, 400, 500]
})
print "Table A:\n", table_a

table_b = pd.DataFrame({
    "value": [1, 2, 3, 4, 5],
    "user_id": [100, 200, 300, 1000, 2000],
    "age": [40, 50, 60, 70, 80]
})
print "\nTable B:\n", table_b

# Merge table A (left) on employee_id, and table B (right) on user_id
merged = table_a.merge(table_b, left_on="employee_id", right_on="user_id", how="outer", suffixes=("_tableA", "_tableB"))
print "\nMerged:\n", merged

# Table A-columns with NaNs are not present in table B
only_in_table_a = merged.loc[merged.value_tableB.isnull()]
print "\nOnly in table A:\n", only_in_table_a

# Table B-columns with NaNs are not present in table A
only_in_table_b = merged.loc[merged.value_tableA.isnull()]
print "\nOnly in table B:\n", only_in_table_b

# Rows with no NaNs are in both tables
in_both = merged.dropna(subset=["employee_id", "user_id"])
print "\nIn both:\n", in_both

产量：

Table A:
   employee_id  value
0          100      1
1          200      2
2          300      3
3          400      4
4          500      5

Table B:
   age  user_id  value
0   40      100      1
1   50      200      2
2   60      300      3
3   70     1000      4
4   80     2000      5

Merged:
   employee_id  value_tableA   age  user_id  value_tableB
0        100.0           1.0  40.0    100.0           1.0
1        200.0           2.0  50.0    200.0           2.0
2        300.0           3.0  60.0    300.0           3.0
3        400.0           4.0   NaN      NaN           NaN
4        500.0           5.0   NaN      NaN           NaN
5          NaN           NaN  70.0   1000.0           4.0
6          NaN           NaN  80.0   2000.0           5.0

Only in table A:
   employee_id  value_tableA  age  user_id  value_tableB
3        400.0           4.0  NaN      NaN           NaN
4        500.0           5.0  NaN      NaN           NaN

Only in table B:
   employee_id  value_tableA   age  user_id  value_tableB
5          NaN           NaN  70.0   1000.0           4.0
6          NaN           NaN  80.0   2000.0           5.0

In both:
   employee_id  value_tableA   age  user_id  value_tableB
0        100.0           1.0  40.0    100.0           1.0
1        200.0           2.0  50.0    200.0           2.0
2        300.0           3.0  60.0    300.0           3.0