python - Panda的左合并: resulting table has more rows,防止重复

Question

我有 2 个数据框。 df1 有 39780 行，df2 有 8900454 行

我想要合并的 df1 列:['邮政编码','门牌号','后缀']“后缀”列包含一些 NAN。

df2 列:

['postalcode_right','housenumber_right', 'suffix_right', 'index_right']

(名为“index_right”的列不是该数据帧的索引。)

df2 = pd.merge(df1, df2,  how='left', left_on=['postalcode','housenumber', 'suffix'], right_on = ['postalcode_right','housenumber_right', 'suffix_right'])

因为df1.suffix包含NAN，右侧的一些行与左侧的多行匹配。

如何防止这种情况或清除多次匹配的行的“index_right”值？

Answer 1

您不应该考虑按空值进行分组。其一，从分析的角度来看，这没有多大意义。

您可以将 NA 值转换为填充字符串，例如'NULL':

left_cols = ['postalcode', 'housenumber', 'suffix']
right_cols = ['postalcode_right', 'housenumber_right', 'suffix_right']]

df1[left_cols] = df1[left_cols].fillna('NULL')
df2[right_cols] = df2[right_cols].fillna('NULL')

然后在合并之前删除右数据框中的重复项:

res = pd.merge(df1, df2.drop_duplicates(subset=right_cols), 
               how='left', left_on=left_cols, right_on=right_cols)

这将确保 res 与 df1 具有相同的行数。