使用均值在Pandas中合并DataFrame

Question

我有一组DataFrames,包含数值和部分重叠的索引.如果索引出现在多个DataFrame中,我想合并它们.

import pandas as pd
import numpy as np

df1 = pd.DataFrame([1,2,3], columns=['col'], index=['a','b','c'])
df2 = pd.DataFrame([4,5,6], columns=['col'], index=['b','c','d'])

这给了我两个DataFrame:

   col            col
a    1        b     4
b    2        c     5
c    3        d     6

现在我想合并DataFrames并获取每个索引的均值(如果适用,即它是否多次出现).

应该是这样的:

    col
a     1
b     3
c     4
d     6

我可以通过一些高级合并/加入来做到这一点吗？

Answer 1

这样的事情:

df3 = pd.concat((df1, df2))
df3.groupby(df3.index).mean()

#    col
# a    1
# b    3
# c    4
# d    6

或其他方式,如@unutbu回答:

pd.concat((df1, df2), axis=1).mean(axis=1)

Answer 2

In [22]: pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1)
Out[23]: 
a    1
b    3
c    4
d    6
dtype: float64

关于 Roman 的问题，我发现IPython的%timeit命令是一种对代码进行基准测试的便捷方法：

In [28]: %timeit df3 = pd.concat((df1, df2)); df3.groupby(df3.index).mean()
1000 loops, best of 3: 617 µs per loop

In [29]: %timeit pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1)
1000 loops, best of 3: 577 µs per loop

In [39]: %timeit pd.concat((df1, df2), axis=1).mean(axis=1)
1000 loops, best of 3: 524 µs per loop

在这种情况下，pd.concat(...).mean(...)结果会更快一些。但实际上我们应该测试更大的数据帧以获得更有意义的基准。

顺便说一句，如果您不想安装 IPython，可以使用Python 的timeit模块运行等效的基准测试。它只需要更多的设置。该文档有一些例子显示如何做到这一点。

请注意，如果df1或df2将在其索引中包含重复条目，例如：

N = 1000
df1 = pd.DataFrame([1,2,3]*N, columns=['col'], index=['a','b','c']*N)
df2 = pd.DataFrame([4,5,6]*N, columns=['col'], index=['b','c','d']*N)

那么这三个答案给出了不同的结果：

In [56]: df3 = pd.concat((df1, df2)); df3.groupby(df3.index).mean()
Out[56]: 
   col
a    1
b    3
c    4
d    6

pd.merge 可能不会给出你想要的那种答案：

In [58]: len(pd.merge(df1, df2, left_index=True, right_index=True, how='outer').mean(axis=1))
Out[58]: 2002000

虽然pd.concat((df1, df2), axis=1)引发了一个 ValueError：

In [48]: pd.concat((df1, df2), axis=1)
ValueError: cannot reindex from a duplicate axis