在两个 Pandas 数据框中查找公共行（交集）

Question

假设我有两个这种格式的数据帧（称它们为df1 和df2）：

+------------------------+------------------------+--------+
|        user_id         |      business_id       | rating |
+------------------------+------------------------+--------+
| rLtl8ZkDX5vH5nAx9C3q5Q | eIxSLxzIlfExI6vgAbn2JA |      4 |
| C6IOtaaYdLIT5fWd7ZYIuA | eIxSLxzIlfExI6vgAbn2JA |      5 |
| mlBC3pN9GXlUUfQi1qBBZA | KoIRdcIfh3XWxiCeV1BDmA |      3 |
+------------------------+------------------------+--------+

我正在寻找在df1 和df2 中具有共同user_id 的所有行的数据框。 （即如果user_id 在df1 和df2 中，则在输出数据帧中包含这两行）

我可以想出很多方法来解决这个问题，但它们都让我觉得笨拙。例如，我们可以在每个数据帧中找到所有唯一的user_ids，创建一个集合，找到它们的交集，用结果集过滤两个数据帧并将两个过滤后的数据帧连接起来。

也许这是最好的方法，但我知道 Pandas 很聪明。有没有更简单的方法来做到这一点？我看过merge，但我认为这不是我需要的。

Answer 1

我的理解是，这个问题最好在this post 中回答。

但简而言之，用这种方法对 OP 的答案很简单：

s1 = pd.merge(df1, df2, how='inner', on=['user_id'])

这给了s1 5 列：user_id 以及来自df1 和df2 的另外两列。

Answer 2

如果我理解正确，您可以使用Series.isin() 和DataFrame.append() 的组合：

In [80]: df1
Out[80]:
   rating  user_id
0       2  0x21abL
1       1  0x21abL
2       1   0xdafL
3       0  0x21abL
4       4  0x1d14L
5       2  0x21abL
6       1  0x21abL
7       0   0xdafL
8       4  0x1d14L
9       1  0x21abL

In [81]: df2
Out[81]:
   rating      user_id
0       2      0x1d14L
1       1    0xdbdcad7
2       1      0x21abL
3       3      0x21abL
4       3      0x21abL
5       1  0x5734a81e2
6       2      0x1d14L
7       0       0xdafL
8       0      0x1d14L
9       4  0x5734a81e2

In [82]: ind = df2.user_id.isin(df1.user_id) & df1.user_id.isin(df2.user_id)

In [83]: ind
Out[83]:
0     True
1    False
2     True
3     True
4     True
5    False
6     True
7     True
8     True
9    False
Name: user_id, dtype: bool

In [84]: df1[ind].append(df2[ind])
Out[84]:
   rating  user_id
0       2  0x21abL
2       1   0xdafL
3       0  0x21abL
4       4  0x1d14L
6       1  0x21abL
7       0   0xdafL
8       4  0x1d14L
0       2  0x1d14L
2       1  0x21abL
3       3  0x21abL
4       3  0x21abL
6       2  0x1d14L
7       0   0xdafL
8       0  0x1d14L

这本质上是您描述为“笨拙”的算法，使用惯用的pandas 方法。注意重复的行索引。另外，请注意，如果 df1 和 df2 没有重叠的行索引，即如果

In [93]: df1.index & df2.index
Out[93]: Int64Index([], dtype='int64')

事实上，如果它们的行索引不相等，它不会给出预期的输出。

Answer 3

在 SQL 中，这个问题可以通过以下几种方法来解决：

select * from df1 where exists (select * from df2 where df2.user_id = df1.user_id)
union all
select * from df2 where exists (select * from df1 where df1.user_id = df2.user_id)

或加入然后反透视（可能在 SQL 服务器中）

select
    df1.user_id,
    c.rating
from df1
    inner join df2 on df2.user_i = df1.user_id
    outer apply (
        select df1.rating union all
        select df2.rating
    ) as c

第二个可以用 pandas 写成：

>>> df1 = pd.DataFrame({"user_id":[1,2,3], "rating":[10, 15, 20]})
>>> df2 = pd.DataFrame({"user_id":[3,4,5], "rating":[30, 35, 40]})
>>>
>>> df4 = df[['user_id', 'rating_1']].rename(columns={'rating_1':'rating'})
>>> df = pd.merge(df1, df2, on='user_id', suffixes=['_1', '_2'])
>>> df3 = df[['user_id', 'rating_1']].rename(columns={'rating_1':'rating'})
>>> df4 = df[['user_id', 'rating_2']].rename(columns={'rating_2':'rating'})
>>> pd.concat([df3, df4], axis=0)
   user_id  rating
0        3      20
0        3      30