Mam 3 pliki CSV. Każda z nich ma pierwszą kolumnę jako (ciąg) nazwisk osób, podczas gdy wszystkie pozostałe kolumny w każdej ramce danych są atrybutami tej osoby.

Jak mogę „połączyć” razem wszystkie trzy dokumenty CSV, aby utworzyć pojedynczy plik CSV, w którym każdy wiersz ma wszystkie atrybuty dla każdej unikalnej wartości nazwy ciągu danej osoby?

join()Funkcja w Pandy Określa, że muszę multiindex, ale jestem mylić o co hierarchiczny system indeksujący ma do czynienia z podejmowania przystąpić na podstawie pojedynczego wskaźnika.

Zakładany import:

import pandas as pd

Odpowiedź Johna Galta jest w zasadzie reduceoperacją. Jeśli mam więcej niż garść ramek danych, umieściłbym je na takiej liście (wygenerowanej za pomocą wyrażeń lub pętli listowych itp.):

dfs = [df0, df1, df2, dfN]

Zakładając, że mają one wspólną kolumnę, jak namew twoim przykładzie, zrobiłbym następujące:

df_final = reduce(lambda left,right: pd.merge(left,right,on='name'), dfs)

W ten sposób kod powinien działać z dowolną liczbą ramek danych, które chcesz scalić.

Edytuj 1 sierpnia 2016 r . : Dla osób używających Python 3: reducezostał przeniesiony do functools. Aby użyć tej funkcji, musisz najpierw zaimportować ten moduł:

from functools import reduce

Możesz spróbować, jeśli masz 3 ramki danych

# Merge multiple dataframes
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

pd.merge(pd.merge(df1,df2,on='name'),df3,on='name')

alternatywnie, jak wspomniano przez cwharland

df1.merge(df2,on='name').merge(df3,on='name')

Jest to idealna sytuacja dla tej joinmetody

joinMetoda jest zbudowana właśnie dla takich sytuacjach. Możesz dołączyć do niego dowolną liczbę ramek danych. Wywoływająca DataFrame łączy się z indeksem kolekcji przekazanych DataFrames. Aby pracować z wieloma ramkami danych, należy umieścić kolumny łączące w indeksie.

Kod wyglądałby mniej więcej tak:

filenames = ['fn1', 'fn2', 'fn3', 'fn4',....]
dfs = [pd.read_csv(filename, index_col=index_col) for filename in filenames)]
dfs[0].join(dfs[1:])

Z danymi @ zero możesz to zrobić:

df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12'])
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22'])
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32'])

dfs = [df1, df2, df3]
dfs = [df.set_index('name') for df in dfs]
dfs[0].join(dfs[1:])

     attr11 attr12 attr21 attr22 attr31 attr32
name                                          
a         5      9      5     19     15     49
b         4     61     14     16      4     36
c        24      9      4      9     14      9

Można to również zrobić w następujący sposób dla listy ramek danych df_list:

df = df_list[0]
for df_ in df_list[1:]:
    df = df.merge(df_, on='join_col_name')

lub jeśli ramki danych znajdują się w obiekcie generatora (np. w celu zmniejszenia zużycia pamięci):

df = next(df_list)
for df_ in df_list:
    df = df.merge(df_, on='join_col_name')

W wersji python3.6.3 z pandas0.22.0 możesz także używać concattak długo, jak ustawisz jako indeks kolumny, których chcesz użyć do łączenia

pd.concat(
    (iDF.set_index('name') for iDF in [df1, df2, df3]),
    axis=1, join='inner'
).reset_index()

gdzie df1, df2i df3są zdefiniowane jak w odpowiedzi Johna Galta

import pandas as pd
df1 = pd.DataFrame(np.array([
    ['a', 5, 9],
    ['b', 4, 61],
    ['c', 24, 9]]),
    columns=['name', 'attr11', 'attr12']
)
df2 = pd.DataFrame(np.array([
    ['a', 5, 19],
    ['b', 14, 16],
    ['c', 4, 9]]),
    columns=['name', 'attr21', 'attr22']
)
df3 = pd.DataFrame(np.array([
    ['a', 15, 49],
    ['b', 4, 36],
    ['c', 14, 9]]),
    columns=['name', 'attr31', 'attr32']
)

Do wykonywania operacji łączenia nie jest potrzebny multiindeks . Trzeba tylko poprawnie ustawić kolumnę indeksu, na której mają być wykonywane operacje łączenia (które polecenie df.set_index('Name')na przykład)

joinOperacja jest domyślnie wykonywane na indeksie. W twoim przypadku wystarczy określić, że Namekolumna odpowiada Twojemu indeksowi. Poniżej znajduje się przykład

Poradnik mogą być użyteczne.

# Simple example where dataframes index are the name on which to perform the join operations
import pandas as pd
import numpy as np
name = ['Sophia' ,'Emma' ,'Isabella' ,'Olivia' ,'Ava' ,'Emily' ,'Abigail' ,'Mia']
df1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=name)
df2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'],         index=name)
df3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'],     index=name)
df = df1.join(df2)
df = df.join(df3)

# If you a 'Name' column that is not the index of your dataframe, one can set this column to be the index
# 1) Create a column 'Name' based on the previous index
df1['Name']=df1.index
# 1) Select the index from column 'Name'
df1=df1.set_index('Name')

# If indexes are different, one may have to play with parameter how
gf1 = pd.DataFrame(np.random.randn(8, 3), columns=['A','B','C'], index=range(8))
gf2 = pd.DataFrame(np.random.randn(8, 1), columns=['D'], index=range(2,10))
gf3 = pd.DataFrame(np.random.randn(8, 2), columns=['E','F'], index=range(4,12))

gf = gf1.join(gf2, how='outer')
gf = gf.join(gf3, how='outer')

Oto metoda scalenia słownika ramek danych przy jednoczesnym zachowaniu synchronizacji nazw kolumn ze słownikiem. W razie potrzeby uzupełnia brakujące wartości:

Jest to funkcja scalania dict ramek danych

def MergeDfDict(dfDict, onCols, how='outer', naFill=None):
  keys = dfDict.keys()
  for i in range(len(keys)):
    key = keys[i]
    df0 = dfDict[key]
    cols = list(df0.columns)
    valueCols = list(filter(lambda x: x not in (onCols), cols))
    df0 = df0[onCols + valueCols]
    df0.columns = onCols + [(s + '_' + key) for s in valueCols] 

    if (i == 0):
      outDf = df0
    else:
      outDf = pd.merge(outDf, df0, how=how, on=onCols)   

  if (naFill != None):
    outDf = outDf.fillna(naFill)

  return(outDf)

OK, pozwala generować dane i przetestować to:

def GenDf(size):
  df = pd.DataFrame({'categ1':np.random.choice(a=['a', 'b', 'c', 'd', 'e'], size=size, replace=True),
                      'categ2':np.random.choice(a=['A', 'B'], size=size, replace=True), 
                      'col1':np.random.uniform(low=0.0, high=100.0, size=size), 
                      'col2':np.random.uniform(low=0.0, high=100.0, size=size)
                      })
  df = df.sort_values(['categ2', 'categ1', 'col1', 'col2'])
  return(df)


size = 5
dfDict = {'US':GenDf(size), 'IN':GenDf(size), 'GER':GenDf(size)}   
MergeDfDict(dfDict=dfDict, onCols=['categ1', 'categ2'], how='outer', naFill=0)

Proste rozwiązanie:

Jeśli nazwy kolumn są podobne:

 df1.merge(df2,on='col_name').merge(df3,on='col_name')

Jeśli nazwy kolumn są różne:

df1.merge(df2,left_on='col_name1', right_on='col_name2').merge(df3,left_on='col_name1', right_on='col_name3').drop(columns=['col_name2', 'col_name3']).rename(columns={'col_name1':'col_name'})

Istnieje inne rozwiązanie z dokumentacji pand (której tu nie widzę),

używając .append

>>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))
   A  B
0  1  2
1  3  4
>>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
   A  B
0  5  6
1  7  8
>>> df.append(df2, ignore_index=True)
   A  B
0  1  2
1  3  4
2  5  6
3  7  8

ignore_index=TrueSłuży do ignorowania indeks załączonym dataframe, zastępując ją do następnego indeksu dostępnych w jedno źródło.

Jeśli istnieją różne nazwy kolumn, Nanzostaną wprowadzone.

Trzy ramki danych to

Połączmy te ramki za pomocą zagnieżdżonego pd.merge

Proszę bardzo, mamy scaloną ramkę danych.

Szczęśliwa analiza !!!