在Pandas中加入和合并有什么区别？
假设我有两个这样的DataFrame：
left = pd.DataFrame({'key1': ['foo', 'bar'], 'lval': [1, 2]})
right = pd.DataFrame({'key2': ['foo', 'bar'], 'rval': [4, 5]})
我想合并它们，所以我尝试这样的事情：
pd.merge(left, right, left_on='key1', right_on='key2')
我很开心
key1 lval key2 rval
0 foo 1 foo 4
1 bar 2 bar 5
但是我正在尝试使用join方法，我被认为这是非常相似的。
left.join(right, on=['key1', 'key2'])
我得到这个：
//anaconda/lib/python2.7/site-packages/pandas/tools/merge.pyc in _validate_specification(self)
406 if self.right_index:
407 if not ((len(self.left_on) == self.right.index.nlevels)):
--> 408 raise AssertionError()
409 self.right_on = [None] * n
410 elif self.right_on is not None:
AssertionError:
我想念什么？
问题答案：
我总是join在索引上使用：
import pandas as pd
left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]}).set_index('key')
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]}).set_index('key')
left.join(right, lsuffix='_l', rsuffix='_r')
val_l val_r
key
foo 1 4
bar 2 5
通过merge在以下各列上使用，可以具有相同的功能：
left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]})
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]})
left.merge(right, on=('key'), suffixes=('_l', '_r'))
key val_l val_r
0 foo 1 4
1 bar 2 5
-
这两个子句的主要区别是参数传递。对于< code>IFNULL是两个参数，对于< code>COALESCE是多个参数。所以除此之外，这两者之间还有其他区别吗？ 它在MS SQL中有何不同？
-
我理解（用于容器）和（用于图像）之间的区别。但最终，通过save或export生成的tarball应该用作图像。 那么为什么有两个命令来从tarball生成图像呢？
-
什么是区别之间的和？
-
问题内容： 我不知道熊猫和功能之间的区别。 以以下示例为例：我加载数据集，执行，定义一个简单函数，然后输入user或。 如您所见，在使用和之后，函数中的print语句得到相同的输出。另一方面，结果是不同的。这是为什么？ 使用： 使用 问题答案： 将功能应用于每个组（您的）。您的函数返回1，因此对于3个组，您最终都将获得1值。 汇总 每个 组的 每个列（功能） ，因此最终每个组的每个列都有一个值。
-
问题内容： 他们似乎都 非常 相似，我很好奇哪个软件包对财务数据分析更有利。 问题答案： 熊猫提供了基于NumPy构建的高级数据处理工具。NumPy本身是一个相当底层的工具，类似于MATLAB。另一方面，pandas提供了丰富的时间序列功能，数据对齐，对NA友好的统计信息，groupby，合并和联接方法以及许多其他便利。近年来，它在金融应用中变得非常流行。我的下一本书将专门讨论使用熊猫进行财务数据
-
为什么并行流使用合并器类，而顺序流将使用累加器？为什么并行流不使用累加器？ 以下是上述代码的输出： 那么，为什么顺序流使用累加器，并行流使用组合器？并行流不能使用累加器吗？