如果键与另一个DataFrame中的多行匹配，则此值可能会增加：

In [11]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [12]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

In [13]: df.merge(df2, how='left')  # merges on columns A
Out[13]: 
   A  B   C
0  1  3   5
1  1  3   6
2  2  4 NaN

为了避免df2中的drop the duplicates出现这种情况：

In [21]: df2.drop_duplicates(subset=['A'])  # you can use take_last=True
Out[21]: 
   A  C
0  1  5

In [22]: df.merge(df2.drop_duplicates(subset=['A']), how='left')
Out[22]: 
   A  B   C
0  1  3   5
1  2  4 NaN

对给定答案的一点补充是，有一个名为validate的参数，如果在右表中匹配了重复的ID，则可以使用该参数抛出错误：

combined = pd.merge(a,b,how='left',left_on='id',right_on='key', validate = 'm:1')

您还可以使用一些策略来避免这种行为，例如，如果不是所有列都重复，则不会丢失重复的数据。

In [1]: df = pd.DataFrame([[1, 3], [2, 4]], columns=['A', 'B'])

In [2]: df2 = pd.DataFrame([[1, 5], [1, 6]], columns=['A', 'C'])

一种方法是取重复样本的平均值（也可以取总和，等等......）

In [3]: df3 = df2.groupby('A').mean().reset_index()

In [4]: df3
Out[4]: 
     C
A     
1  5.5

In [5]: merged = pd.merge(df,df3,on=['A'], how='outer')

In [6]: merged
Out[204]: 
   A  B    C
0  1  3  5.5
1  2  4  NaN

或者，如果您有非数值数据无法使用pd.to_numeric（）进行转换，或者如果您只是不想取平均值，则可以通过枚举重复项来更改合并变量。但是，当两个数据集中存在重复项时，此策略将适用（这将导致相同的问题行为，也是一个常见问题）：

In [7]: df = pd.DataFrame([['a', 3], ['b', 4],['b',0]], columns=['A', 'B'])

In [8]: df2 = pd.DataFrame([['a', 3], ['b', 8],['b',5]], columns=['A', 'C'])

In [9]: df['count'] = df.groupby('A')['B'].cumcount()

In [10]: df['A'] = np.where(df['count']>0,df['A']+df['count'].astype(str),df['A'].astype(str))

In[11]: df
Out[11]: 
    A  B  count
0   a  3      0
1   b  4      0
2  b1  0      1

对df2执行相同的操作，删除df和df2中的count变量，并在“A”上合并：

In [16]: merged
Out[16]: 
    A  B  C
0   a  3  3        
1   b  4  8        
2  b1  0  5

需要注意的是，在最后一种情况下，我使用.cumcount（）而不是.duplicated，因为在这种情况下，给定的观察结果可能有多个副本。另外，我使用.astype（str）将计数值转换为字符串，因为我使用了np.where（）命令，但使用pd.concat（）或其他命令可能会允许不同的应用程序。
最后，如果只有一个数据集有重复项，但您仍然希望保留它们，那么您可以使用后一种策略的前半部分来区分合并结果中的重复项。

可能有多个条目具有相同的键值。请确保右表中的键没有重复项。

# One workaround could be remove duplicates from right table w.r.t key.

combined = pd.merge(a.reset_index(),b.drop_duplicates(['key']),how='left',left_on='id',right_on='key')

要解决此问题，请在LEFT DataFrame中创建一个Unique INDEX列，以便在准备好“Merged Dataframe”后跟踪此“INDEX”列的“Duplicates”。
1.左侧_df ['索引'] =左侧_df索引+1
1.左轮廓形状
1.合并_df = pd.merge（左侧_df，右侧_df，如何=“左侧”，打开=“公共列”）

1. LEFT_df ['索引'].重复（）.求和（）
2. Merged_df =合并的df.删除重复项（子集=['索引']，保留='第一个'）
3. Merged_df.shape（现在将与LEFT_df.shape匹配）

在您的情况下使用drop_duplicates将是：

merged = pd.merge(df,df3,on=['A'], how='outer').drop_duplicates()