python pandas - 获取两个数据帧之间的匹配和不匹配记录

Question

我是在 python 中使用 pandas 的新手，但我对使用 python 有很好的了解。

我有两个数据帧，我必须将匹配的记录和不匹配的记录获取到新的数据帧中。

示例:

DF1:

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 450000

DF2:

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

并且，主键是 ID 和名称(实际上键的数量可能会有所不同)，我需要获取

Match_df:

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999

不匹配_df:

ID Name Number    DOB     Salary
4  DDD  1237   05-09-2000 540000

我已经尝试了所有可能的方法，例如

pd.merge(df1, df2, left_on=[ID,Name],right_on=[ID,Name], how='inner')

这会产生两个数据帧中的所有唯一键。但这也会产生不匹配的记录。

但是我得到了这个结果:

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

其中也包含第四条记录。

这里，只有工资列在变化，但在实时情况下，它可能是要比较的列列表。

由此，我必须仅获取与matched_df匹配的记录，以及与mismatch_df不匹配的记录。

请帮我做这件事。

Note: My dataset might be a massive one (100 million records in both datasets) so, please get me an effective approach reducing the time of execution.

提前致谢。

Answer 1

您的问题的简单答案是 df1.where :

注意:结果为 NaN 的单元格不满足条件，即它们在两个数据帧中不相等。具有实际值的是两个数据帧中相等的值

>>> df1.where(df1.Salary==df2.Salary)
          DoB   ID  Name    Salary
0  12-05-1996  1    AAA  100000.0
1  16-08-1997  2    BBB  200000.0
2  24-04-1998  3    CCC  389999.0
3         NaN  NaN  NaN       NaN

使用pd.merge时:如果您只想合并没有列或索引级别的 df1 和 df1，那么它将默认为两个 DataFrame 中列的交集。

>>> pd.merge(df1, df2)
          DoB  ID Name  Salary
0  12-05-1996   1  AAA  100000
1  16-08-1997   2  BBB  200000
2  24-04-1998   3  CCC  389999

如果您希望加入列或索引级别，请使用on。

 >>> pd.merge(df1, df2, on="Salary")
        DoB_x  ID_x Name_x  Salary       DoB_y  ID_y Name_y
0  12-05-1996     1    AAA  100000  12-05-1996     1    AAA
1  16-08-1997     2    BBB  200000  16-08-1997     2    BBB
2  24-04-1998     3    CCC  389999  24-04-1998     3    CCC

对于 df2 中的不匹配:您可以选择 isin(dict)方法:

>>> df2[~df2.isin(df1.to_dict('l')).all(1)]
          DoB  ID Name  Salary
3  05-09-2000   4  DDD  540000

梅 bool 给出的另一种方式。

df2[~df2.isin(df1).all(axis=1)]