python - Pandas 在连接字符串时合并结果丢失的行

Question

我有一个一直在清理的数据集，为了清理它，我需要将其放入数据透视表中以总结一些数据。我现在将其放回数据帧中，以便可以将其与其他一些数据帧合并。 df1 看起来像这样:

    Count   Region              Period      ACV  PRJ
    167     REMAINING US WEST   3/3/2018    5    57
    168     REMAINING US WEST   3/31/2018   10   83
    169     SAN FRANCISCO       1/13/2018   99   76
    170     SAN FRANCISCO       1/20/2018   34   21

df2 看起来像这样:

Count  MKTcode  Region
11     RSMR0    REMAINING US SOUTH
12     RWMR0    REMAINING US WEST
13     SFR00    SAN FRANCISCO

我尝试将它们与以下代码合并:

df3 = pd.merge(df1, df2, on='Region', how='inner')

但由于某种原因，pandas 没有将 Region 列解释为相同的数据，并且合并在 MKTcode 列中出现 NaN 数据，并且似乎将 df2 附加到 df1，如下所示:

Count  Region             Period    ACV             PRJ         MKTcode
193 WASHINGTON, D.C.    3/3/2018    36               38             NaN
194 WASHINGTON, D.C.    3/31/2018   12                3             NaN
195 ATLANTA              NaN        NaN             NaN           ATMR0
196 BOSTON               NaN        NaN             NaN           B2MRN

我尝试过内部连接和外部连接，但真正的问题似乎是 pandas 将每个数据帧的 Region 列解释为不同的元素。df2 中的 MKTcode 列和 Region 列只有 12 个观测值，每个观测值仅出现一次，而 df1 的 Region 列中有多个重复实例(同一城市的多个实例)。有没有一种方法可以让我创建一个我需要的 12 个 MKT 代码的列表，并在它与我指定的每个区域匹配的地方执行合并？就像一对多匹配一样？

谢谢。

Answer 1

当合并未按预期工作时，要做的第一件事就是查看有问题的列。

在大多数情况下，最大的罪魁祸首是尾随/前导空格。这些通常是在从文件中错误读取 DataFrame 时引入的。

尝试通过剥离多余的空白字符来消除它们。假设您需要加入“Region”列，请使用

for df in (df1, df2):
    # Strip the column(s) you're planning to join with
    df['Region'] = df['Region'].str.strip()

现在，合并应该按预期进行，

pd.merge(df1, df2, on='Region', how='inner')

   Count_x             Region     Period  ACV  PRJ  Count_y MKTcode
0      167  REMAINING US WEST   3/3/2018    5   57       12   RWMR0
1      168  REMAINING US WEST  3/31/2018   10   83       12   RWMR0
2      169      SAN FRANCISCO  1/13/2018   99   76       13   SFR00
3      170      SAN FRANCISCO  1/20/2018   34   21       13   SFR00

<小时/>

如果您仍然遇到 NaN，另一种可能是由于单词之间的空白字符存在差异。例如，'REMAINING US WEST' 不会与 'REMAINING US WEST' 进行比较。

这一次，修复方法是使用 str.replace:

for df in (df1, df2):
    df['Region'] = df['Region'].str.replace(r'\s+', ' ')