詳解利用Pandas求解兩個DataFrame的差集,交集,并集
更新時間：2022年07月15日 08:34:07 作者：尤而小屋
這篇文章主要和大家講解一下如何利用Pandas函數(shù)求解兩個DataFrame的差集、交集、并集，文中的示例代碼講解詳細，感興趣的小伙伴可以了解一下
大家好，我是Peter~
本文講解的是如何利用Pandas函數(shù)求解兩個DataFrame的差集、交集、并集。
模擬數(shù)據(jù)
模擬一份簡單的數(shù)據(jù)：
In [1]:
import?pandas?as?pd
In [2]:
df1?=?pd.DataFrame({"col1":[1,2,3,4,5],
????????????????????"col2":[6,7,8,9,10]
???????????????????})
df2?=?pd.DataFrame({"col1":[1,3,7],
????????????????????"col2":[6,8,10]
???????????????????})
In [3]:
df1
Out[3]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
In [4]:
df2
Out[4]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
兩個DataFrame的相同部分：
差集
方法1：concat + drop_duplicates
In [5]:
df3?=?pd.concat([df1,df2]) df3
Out[5]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
In [6]:
#?結(jié)果1 df3.drop_duplicates(["col1","col2"],keep=False)
Out[6]:
| col1 | col2 | |
|---|---|---|
| 1 | 2 | 7 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 2 | 7 | 10 |
方法2：append + drop_duplicates
In [7]:
df4?=?df1.append(df2) df4
Out[7]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
In [8]:
#?結(jié)果2 df4.drop_duplicates(["col1","col2"],keep=False)
Out[8]:
| col1 | col2 | |
|---|---|---|
| 1 | 2 | 7 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 2 | 7 | 10 |
交集
方法1：merge
In [9]:
#?結(jié)果 #?等效：df5 = pd.merge(df1, df2, how="inner") df5?=?pd.merge(df1,df2) df5
Out[9]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 3 | 8 |
方法2：concat + duplicated + loc
In [10]:
df6?=?pd.concat([df1,df2]) df6
Out[10]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
In [11]:
s?=?df6.duplicated(subset=['col1','col2'],?keep='first') s
Out[11]:
0 False
1 False
2 False
3 False
4 False
0 True
1 True
2 False
dtype: bool
In [12]:
#?結(jié)果 df8?=?df6.loc[s?==?True] df8
Out[12]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 3 | 8 |
方法3：concat + groupby + query
In [13]:
#?df6?=?pd.concat([df1,df2]) df6
Out[13]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
In [14]:
df9?=?df6.groupby(["col1",?"col2"]).size().reset_index() df9.columns?=?["col1",?"col2",?"count"] df9
Out[14]:
| col1 | col2 | count | |
|---|---|---|---|
| 0 | 1 | 6 | 2 |
| 1 | 2 | 7 | 1 |
| 2 | 3 | 8 | 2 |
| 3 | 4 | 9 | 1 |
| 4 | 5 | 10 | 1 |
| 5 | 7 | 10 | 1 |
In [15]:
df10?=?df9.query("count?>?1")[["col1",?"col2"]]
df10
Out[15]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 2 | 3 | 8 |
并集
方法1：concat + drop_duplicates
In [16]:
df11?=?pd.concat([df1,df2]) df11
Out[16]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 0 | 1 | 6 |
| 1 | 3 | 8 |
| 2 | 7 | 10 |
In [17]:
#?結(jié)果 #?df12?=?df11.drop_duplicates(subset=["col1","col2"],keep="last") df12?=?df11.drop_duplicates(subset=["col1","col2"],keep="first") df12
Out[17]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 2 | 7 | 10 |
方法2：append + drop_duplicates
In [18]:
df13?=?df1.append(df2) #?df13.drop_duplicates(subset=["col1","col2"],keep="last") df13.drop_duplicates(subset=["col1","col2"],keep="first")
Out[18]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 2 | 7 | 10 |
方法3：merge
In [19]:
pd.merge(df1,df2,how="outer")
Out[19]:
| col1 | col2 | |
|---|---|---|
| 0 | 1 | 6 |
| 1 | 2 | 7 |
| 2 | 3 | 8 |
| 3 | 4 | 9 |
| 4 | 5 | 10 |
| 5 | 7 | 10 |
以上就是詳解利用Pandas求解兩個DataFrame的差集,交集,并集的詳細內(nèi)容，更多關于Pandas DataFrame差集 交集 并集的資料請關注腳本之家其它相關文章！
相關文章
一文詳解Python中實現(xiàn)單例模式的幾種常見方式
這篇文章主要為大家介紹了Python中實現(xiàn)單例模式的幾種常見方式示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-03-03
Python二進制轉(zhuǎn)化為十進制數(shù)學算法詳解
這篇文章主要介紹了Python二進制轉(zhuǎn)化為十進制數(shù)學算法,同時在這里也給大家分享一個好用的內(nèi)置函數(shù)map()，需要的朋友可以參考下2023-01-01
python將字母轉(zhuǎn)化為數(shù)字實例方法
在本篇文章里小編給大家整理的是關于python如何將字母轉(zhuǎn)化為數(shù)字的相關實例內(nèi)容，有需要的朋友們可以學習下。2019-10-10
這篇文章主要介紹了介紹Python的@property裝飾器的用法,是Python學習進階中的重要知識,代碼基于Python2.x版本,需要的朋友可以參考下2015-04-04
關于Python 實現(xiàn)tuple和list的轉(zhuǎn)換問題
這篇文章主要介紹了Python 實現(xiàn)tuple和list的轉(zhuǎn)換,文中介紹了list（列表）和tuple（元組）共同點和區(qū)別，結(jié)合實例代碼給大家介紹的非常詳細，需要的朋友可以參考下2023-05-05
Python使用pandas將表格數(shù)據(jù)進行處理
這篇文章主要介紹了Python使用pandas將表格數(shù)據(jù)進行處理，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，感興趣的小伙伴可以參考一下2022-08-08
Python中強大的函數(shù)map?filter?reduce使用詳解
Python是一門功能豐富的編程語言,提供了許多內(nèi)置函數(shù),以簡化各種編程任務,在Python中,map(),filter()和reduce()是一組非常有用的函數(shù),它們允許對可迭代對象進行操作,從而實現(xiàn)數(shù)據(jù)轉(zhuǎn)換、篩選和累積等操作,本文將詳細介紹這三個函數(shù),包括它們的基本用法和示例代碼2023-11-11
在嵌入式開發(fā)中我們經(jīng)常會用到串口，串口通信簡單，使用起來方便，且適用場景多。本文為大家準備了Python實現(xiàn)串口通信的示例代碼，需要的可以參考一下2022-11-11
這篇文章主要為大家詳細介紹了python實現(xiàn)猜拳游戲項目，以excel形式保存信息，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-11-11
這篇文章主要介紹了對于Python編程中一些重用與縮減的建議,來自于IBM官方技術文檔,需要的朋友可以參考下2015-04-04