熊猫左外联接导致表大于左表

Question

根据我对左向外连接的理解，结果表的行永远不会比左表多...请让我知道如果这是错的...

我的左表是192572行8列。

我右边的表格是42160行和5列。

我的左表有一个名为“id”的字段，它与我的右表中名为“key”的列相匹配。

因此，我将它们合并为：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key')

但是然后组合的形状是236569。

我有什么误会？

Answer 1

对给定答案的一个小补充是，有一个名为validate的参数，如果右表中有匹配的重复ID，该参数可用于引发错误：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')

Answer 2

还有一些策略可以用来避免这种行为，这些策略不涉及丢失重复的数据，例如，如果不是所有的列都重复的话。如果你有的话

In [1]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [2]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

一种方法是取副本的平均值（也可以取总和等）

In [3]: df3 = df2.groupby('A').mean().reset_index()

In [4]: df3
Out[4]: 
     C
A     
1  5.5

In [5]: merged = pd.merge(df,df3,on=['A'], how='outer')

In [6]: merged
Out[204]: 
   A  B    C
0  1  3  5.5
1  2  4  NaN

或者，如果有不能使用_numeric（）pd.to转换的非数字数据，或者如果您只是不想取平均值，您可以通过枚举重复来更改合并变量。然而，当两个数据集中都存在重复数据时（这将导致相同的问题行为，也是一个常见问题），此策略将适用：

In [7]: df = pd.DataFrame([['a', 3], ['b', 4],['b',0]], columns=['A', 'B'])

In [8]: df2 = pd.DataFrame([['a', 3], ['b', 8],['b',5]], columns=['A', 'C'])

In [9]: df['count'] = df.groupby('A')['B'].cumcount()

In [10]: df['A'] = np.where(df['count']>0,df['A']+df['count'].astype(str),df['A'].astype(str))

In[11]: df
Out[11]: 
    A  B  count
0   a  3      0
1   b  4      0
2  b1  0      1

对df2执行相同操作，删除df和df2中的计数变量，并在“A”上合并：

In [16]: merged
Out[16]: 
    A  B  C
0   a  3  3        
1   b  4  8        
2  b1  0  5        

几个音符。在最后一种情况下，我使用. cumcount（）而不是。重复的，因为对于给定的观察，可能有多个重复。此外，我使用. astype（str）将计数值转换为字符串，因为我使用np.where（）命令，但使用pd.concat（）或其他东西可能会允许不同的应用程序。

最后，如果只有一个数据集具有重复项，但您仍然希望保留它们，那么您可以使用后一种策略的前半部分在结果合并中区分重复项。

Answer 3

如果键与另一个数据帧中的多行匹配，则可以预期这会增加：

In [11]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [12]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

In [13]: df.merge(df2, how='left')  # merges on columns A
Out[13]: 
   A  B   C
0  1  3   5
1  1  3   6
2  2  4 NaN

要避免这种行为，请在df2中删除重复项：

In [21]: df2.drop_duplicates(subset=['A'])  # you can use take_last=True
Out[21]: 
   A  C
0  1  5

In [22]: df.merge(df2.drop_duplicates(subset=['A']), how='left')
Out[22]: 
   A  B   C
0  1  3   5
1  2  4 NaN