web-dev-qa-db-ja.com

列に複数のデータフレームを結合するパンダ3方向結合

CSVファイルが3つあります。それぞれが最初の列を人物の（文字列）名として持っていますが、各データフレーム内の他のすべての列はその人物の属性です。

3つのCSVドキュメントすべてを「結合」して、各行が人物の文字列名の一意の値ごとにすべての属性を持つ単一のCSVを作成する方法を教えてください。

パンダのjoin()関数は私がマルチインデックスを必要としていることを指定しています、しかし私は階層的なインデックス体系が単一のインデックスに基づいて結合をすることと何をすべきかについて混乱しています。

pythonpandasjoinmerge
124
lollercoaster

想定される輸入：

import pandas as pd

John Galt's answer は基本的にreduce操作です。私が一握り以上のデータフレームを持っているなら、私はこのようなリストにそれらを入れることになるでしょう（リスト内包またはループあるいは何もないことによって生成されます）：

dfs = [df0, df1, df2, dfN]

あなたの例のnameのように、それらが何らかの共通の列を持っていると仮定して、私は以下をするでしょう：

df_final = reduce(lambda left,right: pd.merge(left,right,on='name'), dfs)

そうすれば、あなたのコードはマージしたいデータフレームの数に関係なく機能するはずです。

編集2016年8月1日：Python 3を使っている人のために：reduceはfunctoolsに移動しました。そのため、この機能を使用するには、まずそのモジュールをインポートする必要があります。

from functools import reduce
361
Kit

3つのデータフレームがある場合はこれを試すことができます

# Merge multiple dataframes
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

pd.merge(pd.merge(df1,df2,on='name'),df3,on='name')

あるいは、cwharlandが述べたように

df1.merge(df2,on='name').merge(df3,on='name')
80
Zero

これはjoinメソッドにとって理想的な状況です

joinメソッドは、このような状況にぴったりの方法で構築されています。それと一緒に任意の数のDataFrameを結合できます。呼び出し側のDataFrameは、渡されたDataFrameのコレクションのインデックスと結合します。複数のDataFrameを操作するには、結合列をインデックスに配置する必要があります。

コードは次のようになります。

filenames = ['fn1', 'fn2', 'fn3', 'fn4',....]
dfs = [pd.read_csv(filename, index_col=index_col) for filename in filenames)]
dfs[0].join(dfs[1:])

@ zeroのデータがあれば、これを実行できます。

df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

dfs = [df1, df2, df3]
dfs = [df.set_index('name') for df in dfs]
dfs[0].join(dfs[1:])

     attr11 attr12 attr21 attr22 attr31 attr32
name                                          
a         5      9      5     19     15     49
b         4     61     14     16      4     36
c        24      9      4      9     14      9
28
Ted Petrou

これは、データフレームのリストdf_listについて、次のようにして行うこともできます。

df = df_list[0]
for df_ in df_list[1:]:
    df = df.merge(df_, on='join_col_name')

またはデータフレームがジェネレータオブジェクト内にある場合（メモリ消費を減らすためなど）：

df = next(df_list)
for df_ in df_list:
    df = df.merge(df_, on='join_col_name')
15
AlexG

python3.6.3とpandas0.22.0の組み合わせでは、結合に使用する列をインデックスとして設定する限り、concatname__を使用することもできます。

pd.concat(
    (iDF.set_index('name') for iDF in [df1, df2, df3]),
    axis=1, join='inner'
).reset_index()

df1、df2、およびdf3は、 John Galtの答えのように定義されています

import pandas as pd
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12']
)
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22']
)
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32']
)
5
Igor Fobia

これは、列名を辞書と同期させながら、データフレームの辞書をマージする方法です。また、必要に応じて欠損値を埋めます。

これはデータフレームの辞書をマージする機能です。

def MergeDfDict(dfDict, onCols, how='outer', naFill=None):
  keys = dfDict.keys()
  for i in range(len(keys)):
    key = keys[i]
    df0 = dfDict[key]
    cols = list(df0.columns)
    valueCols = list(filter(lambda x: x not in (onCols), cols))
    df0 = df0[onCols + valueCols]
    df0.columns = onCols + [(s + '_' + key) for s in valueCols] 

    if (i == 0):
      outDf = df0
    else:
      outDf = pd.merge(outDf, df0, how=how, on=onCols)   

  if (naFill != None):
    outDf = outDf.fillna(naFill)

  return(outDf)

OK、データを生成してこれをテストしましょう

def GenDf(size):
  df = pd.DataFrame({'categ1':np.random.choice(a=['a', 'b', 'c', 'd', 'e'], size=size, replace=True),
                      'categ2':np.random.choice(a=['A', 'B'], size=size, replace=True), 
                      'col1':np.random.uniform(low=0.0, high=100.0, size=size), 
                      'col2':np.random.uniform(low=0.0, high=100.0, size=size)
                      })
  df = df.sort_values(['categ2', 'categ1', 'col1', 'col2'])
  return(df)


size = 5
dfDict = {'US':GenDf(size), 'IN':GenDf(size), 'GER':GenDf(size)}   
MergeDfDict(dfDict=dfDict, onCols=['categ1', 'categ2'], how='outer', naFill=0)
3
rz1317

join 操作を実行するのにマルチインデックスは必要ありません。結合操作を実行するインデックスカラムを正しく設定する必要があります（例えば、どのコマンドdf.set_index('Name')）

join操作は、デフォルトでインデックスに対して実行されます。あなたの場合は、Name列があなたのインデックスに対応するように指定するだけです。以下は一例です

--- チュートリアル が役に立つかもしれません。

# Simple example where dataframes index are the name on which to perform the join operations
import pandas as pd
import numpy as np
name = ['Sophia' ,'Emma' ,'Isabella' ,'Olivia' ,'Ava' ,'Emily' ,'Abigail' ,'Mia']
df1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=name)
df2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'],         index=name)
df3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'],     index=name)
df = df1.join(df2)
df = df.join(df3)

# If you a 'Name' column that is not the index of your dataframe, one can set this column to be the index
# 1) Create a column 'Name' based on the previous index
df1['Name']=df1.index
# 1) Select the index from column 'Name'
df1=df1.set_index('Name')

# If indexes are different, one may have to play with parameter how
gf1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=range(8))
gf2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'], index=range(2,10))
gf3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'], index=range(4,12))

gf = gf1.join(gf2, how='outer')
gf = gf.join(gf3, how='outer')
3
Guillaume Jacquenot

pandasのドキュメント （ここでは見られません）から他の解決策があります、

.appendを使う

>>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
   A  B
0  1  2
1  3  4
>>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
   A  B
0  5  6
1  7  8
>>> df.append(df2, ignore_index=True)
   A  B
0  1  2
1  3  4
2  5  6
3  7  8

ignore_index=Trueは付加されたデータフレームのインデックスを無視するために使用され、それをソースのもので利用可能な次のインデックスと置き換えます。

異なる列名がある場合は、Nanが導入されます。

2
Sylhare

簡単な解決策

列名が似ている場合

 df1.merge(df2,on='col_name').merge(df3,on='col_name')

列名が異なる場合

df1.merge(df2,left_on='col_name1', right_on='col_name2').merge(df3,left_on='col_name1', right_on='col_name3').drop(columns=['col_name2', 'col_name3']).rename(columns={'col_name1':'col_name'})
0
Gil Baggio