博客

Python Pandas – INNER JOIN和LEFT SEMI JOIN的区别

  • Post category:Python

下面就详细讲解Python Pandas中INNER JOIN和LEFT SEMI JOIN两种操作的区别。

INNER JOIN

INNER JOIN,也称为等值链接,在两个表中都存在匹配行时产生结果集。 INNER JOIN使用 SELECT 语句从两个或多个表抓取匹配的行，SELECT 语句中必须使用 ON 子句指定匹配行的条件。在使用Pandas进行INNER JOIN操作时，可以使用merge()函数，代码如下：

import pandas as pd

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
                    'B': ['B0', 'B1', 'B2', 'B3'],
                    'C': ['C0', 'C1', 'C2', 'C3'],
                    'D': ['D0', 'D1', 'D2', 'D3']})

df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
                    'B': ['B4', 'B5', 'B6', 'B7'],
                    'C': ['C4', 'C5', 'C6', 'C7'],
                    'D': ['D4', 'D5', 'D6', 'D7']})

result = pd.merge(df1, df2, on='A')

print(result)

运行结果如下：

Empty DataFrame
Columns: [A, B_x, C_x, D_x, B_y, C_y, D_y]
Index: []

可以看到，这个结果并不是我们预期的INNER JOIN结果。因为两个DataFrame的’A’列中没有重叠值，所以INNER JOIN结合不会产生结果。

为了演示INNER JOIN的正确用法，我们将两个DataFrame中’A’列的值调整，让它们有重叠值。修改后的代码如下：

import pandas as pd

df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
                    'B': ['B0', 'B1', 'B2', 'B3'],
                    'C': ['C0', 'C1', 'C2', 'C3'],
                    'D': ['D0', 'D1', 'D2', 'D3']})

df2 = pd.DataFrame({'A': ['A2', 'A3', 'A4', 'A5'],
                    'B': ['B2', 'B3', 'B4', 'B5'],
                    'C': ['C2', 'C3', 'C4', 'C5'],
                    'D': ['D2', 'D3', 'D4', 'D5']})

result = pd.merge(df1, df2, on='A')

print(result)

运行结果如下：

    A B_x C_x D_x B_y C_y D_y
0  A2  B2  C2  D2  B4  C4  D4
1  A3  B3  C3  D3  B5  C5  D5

可以看到，通过ON子句指定了匹配的列’A’，并对两个DataFrame进行了INNER JOIN。由于df1和df2在’A’列中存在匹配行，因此INNER JOIN将其组合起来，输出一个新的DataFrame，仅包含匹配的行。

LEFT SEMI JOIN

LEFT SEMI JOIN又被称为半连接，实际上它是INNER JOIN的变种。它与INNER JOIN的区别在于，LEFT SEMI JOIN只返回左侧DataFrame中匹配行的子集，而不是返回两个DataFrame的完整结合。在Pandas中，可以使用isin()函数实现LEFT SEMI JOIN，也可以使用merge()函数，指定参数”indicator=True”来实现。具体代码如下：

import pandas as pd

df1 = pd.DataFrame({'key': ['A', 'B', 'C', 'D'],
                    'value': [1, 2, 3, 4]})

df2 = pd.DataFrame({'key': ['B', 'D', 'E'],
                    'value': [5, 6, 7]})

# 使用isin()函数进行LEFT SEMI JOIN
result1 = df1[df1['key'].isin(df2['key'])]

print(result1)

# 使用merge()函数，指定参数"indicator=True"进行LEFT SEMI JOIN
result2 = pd.merge(df1, df2, on='key', how='left', indicator=True)
result2 = result2[result2['_merge'] == 'both'].drop('_merge', axis=1)

print(result2)

运行结果如下：

  key  value
1   B      2
3   D      4
  key  value
1   B      2
3   D      4

可以看到，两种方法都实现了LEFT SEMI JOIN，返回了df1中包含在df2中的匹配行的子集。值得注意的是，使用merge()函数进行LEFT SEMI JOIN时，需要将参数”how=’left'”指定为’left’，并且通过参数”indicator=True”来激活指示器列。最后再通过”_merge”列对结果进行过滤，只保留左侧表中匹配的行。

Tags: