python - 合并返回奇数长度

Question

我在完成一项相对简单的任务时遇到问题...

我有两个数据框:我从 csv 读取的 df_sample

+------+-----------+-------+-----------+
| key  | Full Text | Date  | Publisher |
+------+-----------+-------+-----------+
| abcd | foofoo    | date1 | a         |
| bcde | barbar    | date2 | b         |
| cdef | foobar    | date3 | c         |
+------+-----------+-------+-----------+

len(df_sample) = 20000

df_labels 我从 Excel 中读取

+------+----------+--------+--------+
| key  | relevant | other  | other2 |
+------+----------+--------+--------+
| abcd | yes      | blabla | blabla |
| bcde | no       | blabla | blabla |
| cdef | no       | blabla | blabla |
| defg | yes      | blabla | blabla |
+------+----------+--------+--------+

len(df_labels) = 219000

我想在键上连接两个表，为第一个数据帧中的每个键分配相关值。所需的输出将如下所示:

+------+-----------+-------+-----------+----------+
| key  | Full Text | Date  | Publisher | relevant |
+------+-----------+-------+-----------+----------+
| abcd | foofoo    | date1 | a         | yes      |
| bcde | barbar    | date2 | b         | no       |
| cdef | foobar    | date3 | c         | no       |
+------+-----------+-------+-----------+----------+

我似乎实现了这一点，但为什么以下给出了 27377 个结果而不是 20000 个结果(如原始左表中所示):

df = pd.merge(left=df_sample, right=df_labels, on="key")

Answer 1

您看到了额外的行，因为键在两个 df 中都不是唯一的，在您的情况下是第二个 df。您需要决定是否需要重复的行(这是当前的行为)，还是要删除第二个 df 中的重复行:

df_labels = df_labels.drop_duplicates(subset='key')

默认情况下，这将仅保留第一个重复项，如果您想要其他行为，例如保留最后一个，则可以传递:keep='last' 请参阅 docs