前言

• 因为你想通过'id'列（>NODE...）合并两个嵌套框，所以你一定要使用df.merge。
• 作为输入文件1和2，我完全使用了您提供的内容。
• 您需要使用您提供的输入，而不是您可以使用的全部数据。这使得相互理解变得困难。
• "第一个文件的顺序改变了"：这可以通过对结果表进行排序来解决。
• 最后，在格式化问题后快速浏览一下，并因此能够阅读它，强烈建议您的主要问题是：您没有查看与最新代码对应的 * out * 文件。* out1.csv * 和 * out2.csv * 不可能相同。

复制问题

我从复制你的newdf = df1.merge(df2, how='left', on='id')行开始。它所做的是用在相应的'id'上找到的df2中的元素完成df1，并留下df2的其余部分，因此只返回3行。这就是它产生的结果;* 请确认这是否是你要找的。*

newdf = df1.merge(df2, how='left', on='id')

                                        id  sample    bin                                 profile                                             sub id                             identity              q length      alignment length           mismatches    gap opens                                  evalue             bit score
0  >NODE_1080_length_25086_cov_1.756193_10  301022  fa_10  PF00128-Alpha-amylase-catalytic-domain                                     gb|AVX77188.1|                               67.177                   724                   719                  236            0                                     0.0                  1017
1  >NODE_84_length_160839_cov_0.924412_104  301022  fa_11  PF00128-Alpha-amylase-catalytic-domain  gb|AGX66494.1|;gb|ADS15792.1|;gb|AKW57899.1|;g...  85.078;54.852;45.781;44.040;43.114;  518;518;518;518;518;  516;474;474;495;501;  77;204;231;246;258;  0;4;9;11;9;  0.0;0.0;1.47e-139;5.50e-138;1.69e-137;  928;557;416;413;411;
2   >NODE_793_length_32677_cov_0.985420_20  301022  fa_11  PF00128-Alpha-amylase-catalytic-domain                                                NaN                                  NaN                   NaN                   NaN                  NaN          NaN                                     NaN                   NaN

字符串
下面是一个导出的csv，使用你的newdf.to_csv('out.txt', index=False)行：

id,sample,bin,profile,sub id,identity,q length,alignment length,mismatches,gap opens,evalue,bit score
>NODE_1080_length_25086_cov_1.756193_10,301022,fa_10,PF00128-Alpha-amylase-catalytic-domain,gb|AVX77188.1|,67.177,724,719,236,0,0.0,1017
>NODE_84_length_160839_cov_0.924412_104,301022,fa_11,PF00128-Alpha-amylase-catalytic-domain,gb|AGX66494.1|;gb|ADS15792.1|;gb|AKW57899.1|;gb|ACH26137.1|;gb|AGX66492.1|;,85.078;54.852;45.781;44.040;43.114;,518;518;518;518;518;,516;474;474;495;501;,77;204;231;246;258;,0;4;9;11;9;,0.0;0.0;1.47e-139;5.50e-138;1.69e-137;,928;557;416;413;411;
>NODE_793_length_32677_cov_0.985420_20,301022,fa_11,PF00128-Alpha-amylase-catalytic-domain,,,,,,,,

型
最后的,,,,,,,,实际上表示NaN：df2没有关于>NODE_793的信息
这是你想要的输出吗？
您发布的 * out1.csv * 和 * out2.csv * 没有意义：

• 两者不可能完全相同
• 它包含一些'id'，这些'id'在您发布的输入数据中不存在
• 有重复的同一行
• 我不知道你是怎么弄到这个文件的。
• • 建议：它看起来不像是用df2合并的结果，你可能混淆了文件，没有看到正确的csv。保存新的合并产品时，请使用不同的文件名。**

关于set_index

• df1.set_index(['id'])创建了一个df1的视图，并设置了索引。它不会改变df1。要修改df1，请使用df1.set_index(['id'], inplace=True)。
• 然而，合并在列上工作得很好，所以你没有改变字符串是件好事。**你的代码没有它也能工作!**有关这方面的更多信息，请参阅Merge two dataframes by index

替代方案

现在，如果你想保留所有信息（合并所有行，而不是跳过任何一行），那么这就是你要找的：

df1.merge(right=df2,
          how='outer', # 'outer' means keep all rows
          on='id',
          sort=True)   # optional, added just for readability

                                        id    sample    bin                                 profile                                             sub id                             identity              q length      alignment length            mismatches     gap opens                                          evalue             bit score
0  >NODE_102_length_146227_cov_1.193242_34       NaN    NaN                                     NaN  gb|AGD14055.1|;gb|QCA67811.1|;gb|QCA68885.1|;g...  49.512;40.618;40.047;41.734;38.038;  454;454;454;454;454;  410;421;422;369;418;  207;221;224;199;231;  0;10;10;8;8;  3.71e-159;1.64e-77;7.99e-76;4.89e-74;6.11e-70;  461;252;248;243;232;
1  >NODE_1045_length_25717_cov_0.952104_13       NaN    NaN                                     NaN  gb|AEI19864.1|;gb|QHZ14374.1|;gb|QFN56428.1|;g...  56.442;53.420;53.420;53.420;53.094;  372;372;372;372;372;  326;307;307;307;307;  140;142;142;142;143;    1;1;1;1;1;                                             NaN                   NaN
2  >NODE_1080_length_25086_cov_1.756193_10  301022.0  fa_10  PF00128-Alpha-amylase-catalytic-domain                                     gb|AVX77188.1|                               67.177                   724                   719                   236             0                                             0.0                  1017
3   >NODE_793_length_32677_cov_0.985420_20  301022.0  fa_11  PF00128-Alpha-amylase-catalytic-domain                                                NaN                                  NaN                   NaN                   NaN                   NaN           NaN                                             NaN                   NaN
4  >NODE_84_length_160839_cov_0.924412_104  301022.0  fa_11  PF00128-Alpha-amylase-catalytic-domain  gb|AGX66494.1|;gb|ADS15792.1|;gb|AKW57899.1|;g...  85.078;54.852;45.781;44.040;43.114;  518;518;518;518;518;  516;474;474;495;501;   77;204;231;246;258;   0;4;9;11;9;          0.0;0.0;1.47e-139;5.50e-138;1.69e-137;  928;557;416;413;411;

型
这里的5 'id'停留，与任何相关信息，从任何两个框架。

第二个文件中以（“>NODE_1045_length_25717_cov_0.952104_13”）开头的行似乎比其他行的列数少。这可能是由于它在这里的显示方式（'\t'作为列分隔符并不理想）。
尝试在阅读文件时显式设置列名，例如：

df2_column_names = ['id', 'sub id', 'identity', 'q length', 'alignment length', 'mismatches', 'gap opens', 'evalue', 'bit score']
df2 = pd.read_csv('file2', sep='\t', names=df2_column_names)

字符串