Apa perbedaan antara bergabung dan bergabung di Panda?

Misalkan saya memiliki dua DataFrames seperti itu:

left = pd.DataFrame({'key1': ['foo', 'bar'], 'lval': [1, 2]})

right = pd.DataFrame({'key2': ['foo', 'bar'], 'rval': [4, 5]})

Saya ingin menggabungkan mereka, jadi saya mencoba sesuatu seperti ini:

pd.merge(left, right, left_on='key1', right_on='key2')

Dan saya senang

    key1    lval    key2    rval
0   foo     1       foo     4
1   bar     2       bar     5

Tapi saya mencoba menggunakan metode join, yang saya percaya sangat mirip.

left.join(right, on=['key1', 'key2'])

Dan saya mendapatkan ini:

//anaconda/lib/python2.7/site-packages/pandas/tools/merge.pyc in _validate_specification(self)
    406             if self.right_index:
    407                 if not ((len(self.left_on) == self.right.index.nlevels)):
--> 408                     raise AssertionError()
    409                 self.right_on = [None] * n
    410         elif self.right_on is not None:

AssertionError: 

Apa yang saya lewatkan?

Saya selalu menggunakan joinindeks:

import pandas as pd
left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]}).set_index('key')
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]}).set_index('key')
left.join(right, lsuffix='_l', rsuffix='_r')

     val_l  val_r
key            
foo      1      4
bar      2      5

Fungsionalitas yang sama dapat diperoleh dengan menggunakan mergepada kolom berikut:

left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]})
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]})
left.merge(right, on=('key'), suffixes=('_l', '_r'))

   key  val_l  val_r
0  foo      1      4
1  bar      2      5

pandas.merge() adalah fungsi dasar yang digunakan untuk semua perilaku gabungan / gabung.

DataFrames menyediakan pandas.DataFrame.merge()dan pandas.DataFrame.join()metode sebagai cara mudah untuk mengakses kemampuan pandas.merge(). Misalnya, df1.merge(right=df2, ...)setara dengan pandas.merge(left=df1, right=df2, ...).

Ini adalah perbedaan utama antara df.join()dan df.merge():

1. pencarian di tabel kanan: df1.join(df2)selalu bergabung melalui indeks df2, tetapi df1.merge(df2)dapat bergabung ke satu atau beberapa kolom df2(default) atau ke indeks df2(dengan right_index=True).
2. pencarian di tabel sebelah kiri: secara default, df1.join(df2)menggunakan indeks df1dan df1.merge(df2)menggunakan kolom df1. Itu dapat diganti dengan menentukan df1.join(df2, on=key_or_keys)atau df1.merge(df2, left_index=True).
3. kiri vs gabungan dalam: df1.join(df2)apakah gabungan kiri secara default (membuat semua baris df1), tetapi df.mergeapakah gabungan internal secara default (hanya mengembalikan baris yang cocok dengan df1dan df2).

Jadi, pendekatan generik adalah menggunakan pandas.merge(df1, df2)atau df1.merge(df2). Tetapi untuk sejumlah situasi umum (menjaga semua baris df1dan bergabung dengan indeks df2), Anda dapat menyimpan beberapa pengetikan dengan menggunakan df1.join(df2)sebagai gantinya.

Beberapa catatan tentang masalah ini dari dokumentasi di http://pandas.pydata.org/pandas-docs/stable/merging.html#database-style-dataframe-joining-merging :

merge adalah fungsi di namespace panda, dan juga tersedia sebagai metode instance DataFrame, dengan pemanggilan DataFrame secara implisit dianggap sebagai objek kiri dalam gabungan.

DataFrame.joinMetode terkait , digunakan secara mergeinternal untuk indeks-on-indeks dan indeks-on-kolom bergabung, tetapi bergabung pada indeks secara default daripada mencoba untuk bergabung pada kolom umum (perilaku default untuk merge). Jika Anda bergabung dalam indeks, Anda mungkin ingin menggunakannya DataFrame.joinuntuk menyelamatkan diri Anda dari mengetik.

...

Kedua panggilan fungsi ini sepenuhnya setara:

left.join(right, on=key_or_keys)
pd.merge(left, right, left_on=key_or_keys, right_index=True, how='left', sort=False)

Saya percaya itu join()hanya metode kenyamanan. Coba df1.merge(df2)saja, yang memungkinkan Anda menentukan left_ondan right_on:

In [30]: left.merge(right, left_on="key1", right_on="key2")
Out[30]: 
  key1  lval key2  rval
0  foo     1  foo     4
1  bar     2  bar     5

Dari dokumentasi ini

panda menyediakan fungsi tunggal, menggabungkan, sebagai titik masuk untuk semua operasi gabungan basis data standar antara objek DataFrame:

merge(left, right, how='inner', on=None, left_on=None, right_on=None,
      left_index=False, right_index=False, sort=True,
      suffixes=('_x', '_y'), copy=True, indicator=False)

Dan:

DataFrame.joinadalah metode yang mudah untuk menggabungkan kolom dari dua DataFrames yang berpotensi diindeks berbeda ke dalam DataFrame hasil tunggal. Berikut adalah contoh yang sangat mendasar: Penyelarasan data di sini ada di indeks (label baris). Perilaku yang sama ini dapat dicapai menggunakan gabungan ditambah argumen tambahan yang memerintahkannya untuk menggunakan indeks:

result = pd.merge(left, right, left_index=True, right_index=True,
how='outer')

Salah satu perbedaannya adalah mergemembuat indeks baru, dan joinmenjaga indeks sisi kiri. Ini dapat memiliki konsekuensi besar pada transformasi Anda nanti jika Anda salah berasumsi bahwa indeks Anda tidak berubah merge.

Sebagai contoh:

import pandas as pd

df1 = pd.DataFrame({'org_index': [101, 102, 103, 104],
                    'date': [201801, 201801, 201802, 201802],
                    'val': [1, 2, 3, 4]}, index=[101, 102, 103, 104])
df1

       date  org_index  val
101  201801        101    1
102  201801        102    2
103  201802        103    3
104  201802        104    4

-

df2 = pd.DataFrame({'date': [201801, 201802], 'dateval': ['A', 'B']}).set_index('date')
df2

       dateval
date          
201801       A
201802       B

-

df1.merge(df2, on='date')

     date  org_index  val dateval
0  201801        101    1       A
1  201801        102    2       A
2  201802        103    3       B
3  201802        104    4       B

-

df1.join(df2, on='date')
       date  org_index  val dateval
101  201801        101    1       A
102  201801        102    2       A
103  201802        103    3       B
104  201802        104    4       B

• Bergabung: Indeks Default (Jika ada nama kolom yang sama maka itu akan menimbulkan kesalahan dalam mode default karena Anda belum mendefinisikan lsuffix atau rsuffix))

df_1.join(df_2)

• Gabung: Nama Kolom Sama Sama (Jika tidak ada nama kolom yang sama, akan terjadi kesalahan dalam mode default)

df_1.merge(df_2)

• on parameter memiliki arti berbeda dalam kedua kasus

df_1.merge(df_2, on='column_1')

df_1.join(df_2, on='column_1') // It will throw error
df_1.join(df_2.set_index('column_1'), on='column_1')

Untuk menaruhnya secara analog ke SQL "Gabungan panda adalah untuk bagian luar / bagian dalam dan panda bergabung adalah bagian dari gabungan alami". Karenanya saat Anda menggunakan penggabungan dalam panda, Anda ingin menentukan jenis bahasa gabung mana yang ingin Anda gunakan sedangkan ketika Anda menggunakan panda bergabung, Anda benar-benar ingin memiliki label kolom yang cocok untuk memastikan itu bergabung