在pandas中按范围连接/合并的最佳方式

ddarikpa 于 2023-09-29 发布在其他

关注(0)|答案(6)|浏览(122)

我经常使用pandas通过范围条件进行合并（连接）。
例如，如果有两个 Dataframe ：

A（A_id，A_value）
B（B_id，B_low，B_high，B_name）

它们很大并且大小大致相同（假设每个记录为2 M）。
我想在A和B之间建立一个内部连接，所以A_value将在B_low和B_high之间。
使用的SQL语法为：

SELECT *
FROM A,B
WHERE A_value between B_low and B_high

这将是非常简单，简短和有效的。
同时，在pandas中，唯一的方法（不是使用我发现的循环）是在两个表中创建一个虚拟列，在其上连接（相当于交叉连接），然后过滤掉不需要的行。这听起来既沉重又复杂：

A['dummy'] = 1
B['dummy'] = 1
Temp = pd.merge(A,B,on='dummy')
Result = Temp[Temp.A_value.between(Temp.B_low,Temp.B_high)]

我的另一个解决方案是通过使用B[(x>=B.B_low) & (x<=B.B_high)]掩码在每个A值上应用B上的搜索函数，但这听起来效率也很低，可能需要索引优化。
是否有更优雅和/或更有效的方法来执行此操作？

pandas

来源：https://stackoverflow.com/questions/44367672/best-way-to-join-merge-by-range-in-pandas

6条答案

按热度按时间

sycxhyv71#

设置

考虑嵌套A和B

A = pd.DataFrame(dict(
        A_id=range(10),
        A_value=range(5, 105, 10)
    ))
B = pd.DataFrame(dict(
        B_id=range(5),
        B_low=[0, 30, 30, 46, 84],
        B_high=[10, 40, 50, 54, 84]
    ))

A

   A_id  A_value
0     0        5
1     1       15
2     2       25
3     3       35
4     4       45
5     5       55
6     6       65
7     7       75
8     8       85
9     9       95

B

   B_high  B_id  B_low
0      10     0      0
1      40     1     30
2      50     2     30
3      54     3     46
4      84     4     84

numpy

最简单的方法是使用numpy广播。
我们寻找A_value大于或等于B_low的每个示例，同时A_value小于或等于B_high。

a = A.A_value.values
bh = B.B_high.values
bl = B.B_low.values

i, j = np.where((a[:, None] >= bl) & (a[:, None] <= bh))

pd.concat([
    A.loc[i, :].reset_index(drop=True),
    B.loc[j, :].reset_index(drop=True)
], axis=1)

   A_id  A_value  B_high  B_id  B_low
0     0        5      10     0      0
1     3       35      40     1     30
2     3       35      50     2     30
3     4       45      50     2     30

为了解决注解问题并给予类似于左连接的东西，我附加了A中不匹配的部分。

pd.concat([
    A.loc[i, :].reset_index(drop=True),
    B.loc[j, :].reset_index(drop=True)
], axis=1).append(
    A[~np.in1d(np.arange(len(A)), np.unique(i))],
    ignore_index=True, sort=False
)

    A_id  A_value  B_id  B_low  B_high
0      0        5   0.0    0.0    10.0
1      3       35   1.0   30.0    40.0
2      3       35   2.0   30.0    50.0
3      4       45   2.0   30.0    50.0
4      1       15   NaN    NaN     NaN
5      2       25   NaN    NaN     NaN
6      5       55   NaN    NaN     NaN
7      6       65   NaN    NaN     NaN
8      7       75   NaN    NaN     NaN
9      8       85   NaN    NaN     NaN
10     9       95   NaN    NaN     NaN

赞(0）回复(0）举报 2023-09-29

qyswt5oh2#

不确定这样是否更有效，但是你可以直接使用sql（例如从模块sqlite3）和pandas（灵感来自this question），比如：

conn = sqlite3.connect(":memory:") 
df2 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1.to_sql("df1", conn, index=False)
df2.to_sql("df2", conn, index=False)
qry = "SELECT * FROM df1, df2 WHERE df1.col1 > 0 and df1.col1<0.5"
tt = pd.read_sql_query(qry,conn)

您可以根据应用程序的需要调整查询

赞(0）回复(0）举报 2023-09-29

pzfprimi3#

我不知道它的效率有多高，但有人写了一个 Package 器，允许你对pandas对象使用SQL语法。这就是所谓的pandasql。文档明确声明支持连接。这可能至少更容易阅读，因为SQL语法非常易读。

赞(0）回复(0）举报 2023-09-29

cyvaqqii4#

来自pyjanitor的conditional_join以高性能和高效的方式解决了这个问题，使用二进制搜索，而不是交叉连接：

# pip install pyjanitor
import pandas as pd
import janitor

内部联接

A.conditional_join(B, 
                   ('A_value', 'B_low', '>='), 
                   ('A_value', 'B_high', '<='),
                   # you may get more performance 
                   # with numba
                   use_numba=False
                  )

   A_id  A_value  B_id  B_low  B_high
0     0        5     0      0      10
1     3       35     1     30      40
2     3       35     2     30      50
3     4       45     2     30      50

LEFT JOIN

A.conditional_join(
       B, 
       ('A_value', 'B_low', '>='), 
       ('A_value', 'B_high', '<='), 
       how = 'left'
    )

    A_id  A_value  B_id  B_low  B_high
0      0        5   0.0    0.0    10.0
1      1       15   NaN    NaN     NaN
2      2       25   NaN    NaN     NaN
3      3       35   1.0   30.0    40.0
4      3       35   2.0   30.0    50.0
5      4       45   2.0   30.0    50.0
6      5       55   NaN    NaN     NaN
7      6       65   NaN    NaN     NaN
8      7       75   NaN    NaN     NaN
9      8       85   NaN    NaN     NaN
10     9       95   NaN    NaN     NaN

赞(0）回复(0）举报 2023-09-29

g2ieeal75#

举一个简单的例子：

df=pd.DataFrame([2,3,4,5,6],columns=['A'])

现在让我们定义第二个 Dataframe

df2=pd.DataFrame([1,6,2,3,5],columns=['B_low'])
df2['B_high']=[2,8,4,6,6]

导致

B_low   B_high
0   1       2
1   6       8
2   2       4
3   3       6
4   5       6

开始;我们希望输出为索引3和A值5

df.where(df['A']>=df2['B_low']).where(df['A']<df2['B_high']).dropna()

导致

A
3   5.0

赞(0）回复(0）举报 2023-09-29

xqkwcwgp6#

我知道这是一个老问题，但对于新手来说，现在有一个pandas.merge_asof函数，它根据最接近的匹配执行连接。
如果你想合并一个DataFrame（df_right）的一个列在另一个DataFrame（df_left）的两个列之间，你可以这样做：

df_left = pd.DataFrame({
    "time_from": [1, 4, 10, 21],
    "time_to": [3, 7, 15, 27]
})

df_right = pd.DataFrame({
    "time": [2, 6, 16, 25]
})

df_left

  time_from time_to
0        1       3
1        4       7
2       10      15
3       21      27

df_right

  time
0    2
1    6
2   16
3   25

首先，找到右DataFrame的匹配项，这些匹配项最接近左DataFrame的左边界（time_from），但比左DataFrame的左边界（time_from）大：

merged = pd.merge_asof(
    left=df_1,
    right=df_2.rename(columns={"time": "candidate_match_1"}),
    left_on="time_from",
    right_on="candidate_match_1",
    direction="forward"
)

merged

  time_from time_to candidate_match_1
0        1       3                 2
1        4       7                 6
2        10      15               16
3        21      27               25

正如你所看到的，索引2中的候选匹配是错误的，因为16不在10和15之间。
然后，找到右DataFrame的匹配项，这些匹配项最接近但小于左DataFrame的右边界（time_to）：

merged = pd.merge_asof(
    left=merged,
    right=df_2.rename(columns={"time": "candidate_match_2"}),
    left_on="time_to",
    right_on="candidate_match_2",
    direction="backward"
)

merged

  time_from time_to candidate_match_1   candidate_match_2
0        1        3                2                   2
1        4        7                6                   6
2        10      15               16                   6
3        21      27               25                  25

最后，保持候选匹配相同的匹配，这意味着右DataFrame的值在左DataFrame的2列值之间：

merged["match"] = None
merged.loc[merged["candidate_match_1"] == merged["candidate_match_2"], "match"] = \
    merged.loc[merged["candidate_match_1"] == merged["candidate_match_2"], "candidate_match_1"]

merged

  time_from time_to candidate_match_1   candidate_match_2   match
0        1       3                 2                   2       2
1        4       7                 6                   6       6
2        10     15                16                   6    None
3        21     27                25                   25     25

赞(0）回复(0）举报 2023-09-29

我来回答

在pandas中按范围连接/合并的最佳方式

6条答案

相关问题

热门标签

最新问答