在两个数据帧中查找公共行（交点）

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 |
+------------------------+------------------------+--------+

我希望获得所有行的数据帧，这些行在df1和df2中有一个公共的user\u id。（即，如果用户id同时位于df1和df2中，则在输出数据帧中包括这两行）

我能想到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，创建每个数据帧的集合，找到它们的交集，用结果集过滤两个数据帧，并连接两个过滤后的数据帧。

也许这是最好的方法，但我知道熊猫很聪明。有没有更简单的方法？我已经看过了merge，但我认为这不是我需要的。

Answer 1

在SQL中，此问题可以通过以下几种方法解决：

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，然后取消枢轴（可能在SQL服务器）

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

第二张可以用熊猫写，上面写着：

>>> 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

Answer 2

如果我理解正确，您可以结合使用Series.isin（）和DataFrame.append（）：

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

这本质上就是您描述为“笨重”的算法，使用惯用的pandas方法。请注意重复的行索引。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，它就不会给出预期的输出。

Answer 3

我的理解是，这个问题最好在这篇文章中回答。

但简单地说，使用这种方法的OP的答案很简单：

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

这给s1提供了5列：user_id和来自df1和df2的另外两列。