python - 解释 pandas DataFrame join 的工作原理

Question

为什么 inner join 在 pandas 中工作如此奇怪？

例如:

import pandas as pd
import io

t1 = ('key,col1\n'
      '1,a\n'
      '2,b\n'
      '3,c\n'
      '4,d')

t2 = ('key,col2\n'
      '1,e\n'
      '2,f\n'
      '3,g\n'
      '4,h')


df1 = pd.read_csv(io.StringIO(t1), header=0)
df2 = pd.read_csv(io.StringIO(t2), header=0)

print(df1)
print()
print(df2)
print()
print(df2.join(df1, on='key', how='inner', lsuffix='_l'))

输出:

   key col1
0    1    a
1    2    b
2    3    c
3    4    d

   key col2
0    1    e
1    2    f
2    3    g
3    4    h

   key_l col2  key col1
0      1    e    2    b
1      2    f    3    c
2      3    g    4    d

如果我不指定 lsuffix，它说

ValueError: columns overlap but no suffix specified: Index(['key'], dtype='object')

这个函数与 SQL 的 JOIN 有什么不同吗？为什么要创建一个带有后缀的额外“键”列？为什么只有 3 行？我希望它输出这样的东西:

   key col1 col2
0    1    a    e
1    2    b    f
2    3    c    g
3    4    d    h

Answer 1

要事第一:
你想要的是合并

df1.merge(df2)

---

join默认在 index 上合并.您可以指定 on参数仅表示左侧的哪一列与右侧的索引匹配。

这些可能有助于说明

df1.set_index('key').join(df2.set_index('key'))

df1.join(df2.set_index('key'), on='key')

---

您的示例匹配 df2 的索引看起来像 [0, 1, 2, 3]与 key df1 栏目看起来像 [1, 2, 3, 4]
这就是为什么你得到 NaN在col2什么时候key_l是4

df1.join(df2, on='key', lsuffix='_l', how='outer')