如何在非简单条件下使用熊猫对DataFrame进行内部或外部联接

Question

给定两个数据帧，如下所示：

>>> import pandas as pd

>>> df_a = pd.DataFrame([{"a": 1, "b": 4}, {"a": 2, "b": 5}, {"a": 3, "b": 6}])
>>> df_b = pd.DataFrame([{"c": 2, "d": 7}, {"c": 3, "d": 8}])
>>> df_a
   a  b
0  1  4
1  2  5
2  3  6

>>> df_b
   c  d
0  2  7
1  3  8

我们希望使用非简化的标准来生成两个数据框的SQL样式的联接，比如说“ df_b.c>
df_a.a”。据我所知，虽然merge()肯定是解决方案的一部分，但我不能直接使用它，因为它不接受“ ON”条件的任意表达式（除非我遗漏了什么？）。

在SQL中，结果如下所示：

# inner join
sqlite> select * from df_a join df_b on c > a;
1|4|2|7
1|4|3|8
2|5|3|8

# outer join
sqlite> select * from df_a left outer join df_b on c > a;
1|4|2|7
1|4|3|8
2|5|3|8
3|6||

我目前用于内部联接的方法是通过将两个都添加“ 1”的列，然后在“ 1”列上使用merge（），然后应用“ c>
a”，来生成df_a和df_b的笛卡尔积。标准。

>>> import numpy as np
>>> df_a['ones'] = np.ones(3)
>>> df_b['ones'] = np.ones(2)
>>> cartesian = pd.merge(df_a, df_b, left_on='ones', right_on='ones')
>>> cartesian
   a  b  ones  c  d
0  1  4     1  2  7
1  1  4     1  3  8
2  2  5     1  2  7
3  2  5     1  3  8
4  3  6     1  2  7
5  3  6     1  3  8
>>> cartesian[cartesian.c > cartesian.a]
   a  b  ones  c  d
0  1  4     1  2  7
1  1  4     1  3  8
3  2  5     1  3  8

对于外部联接，我不确定最好的方法，到目前为止，我一直在尝试获取内部联接，然后应用条件的求反获得所有其他行，然后尝试编辑该“求反”设置为原始图片，但实际上并没有用。

编辑 。HYRY在这里回答了具体问题，但我需要在Pandas
API中更通用，更通用的东西，因为我的加入标准可以是任何东西，而不仅仅是一个比较。对于外部联接，首先我要在“左侧”添加一个额外的索引，在执行内部联接后该索引将自行维护：

df_a['_left_index'] = df_a.index

然后我们进行笛卡尔运算并获得内部联接：

cartesian = pd.merge(df_a, df_b, left_on='ones', right_on='ones')
innerjoin = cartesian[cartesian.c > cartesian.a]

然后在“ df_a”中获取我们需要的其他索引ID，并从“ df_a”中获取行：

remaining_left_ids = set(df_a['_left_index']).\
                    difference(innerjoin['_left_index'])
remaining = df_a.ix[remaining_left_ids]

然后我们使用一个直接的concat（），它将左侧的缺失列替换为“ NaN”（我以为它并没有这样做，但是我想是的）：

outerjoin = pd.concat([innerjoin, remaining]).reset_index()

HYRY的想法是只对需要比较的cols进行笛卡尔运算，这基本上是正确的答案，尽管在我的特定情况下，实现（一般化和全部化）可能会有些棘手。

问题：

1. 您将如何在“ c> a”上产生df_1和df_2的“ join”？您会采用相同的“笛卡尔积，滤波”方法还是有更好的方法？

2. 您将如何产生相同的“左外部连接”？

Answer 1

我使用ufunc的外部方法来计算结果，这是示例：

首先，一些数据：

import pandas as pd
import numpy as np
df_a = pd.DataFrame([{"a": 1, "b": 4}, {"a": 2, "b": 5}, {"a": 3, "b": 6}, {"a": 4, "b": 8}, {"a": 1, "b": 7}])
df_b = pd.DataFrame([{"c": 2, "d": 7}, {"c": 3, "d": 8}, {"c": 2, "d": 10}])
print "df_a"
print df_a
print "df_b"
print df_b

输出：

df_a
   a  b
0  1  4
1  2  5
2  3  6
3  4  8
4  1  7
df_b
   c   d
0  2   7
1  3   8
2  2  10

内部联接，因为这仅计算c＆的笛卡尔积a，内存使用率小于整个DataFrame的笛卡尔积：

ia, ib = np.where(np.less.outer(df_a.a, df_b.c))
print pd.concat((df_a.take(ia).reset_index(drop=True), 
                 df_b.take(ib).reset_index(drop=True)), axis=1)

输出：

   a  b  c   d
0  1  4  2   7
1  1  4  3   8
2  1  4  2  10
3  2  5  3   8
4  1  7  2   7
5  1  7  3   8
6  1  7  2  10

要计算左外部联接，请使用numpy.setdiff1d()查找df_a不在内部联接中的所有行：

na = np.setdiff1d(np.arange(len(df_a)), ia)
nb = -1 * np.ones_like(na)
oa = np.concatenate((ia, na))
ob = np.concatenate((ib, nb))
print pd.concat([df_a.take(oa).reset_index(drop=True), 
                 df_b.take(ob).reset_index(drop=True)], axis=1)

输出：

   a  b   c   d
0  1  4   2   7
1  1  4   3   8
2  1  4   2  10
3  2  5   3   8
4  1  7   2   7
5  1  7   3   8
6  1  7   2  10
7  3  6 NaN NaN
8  4  8 NaN NaN