python pandas - 获取两个数据帧之间的匹配和非匹配记录

Question

我是在 python 中使用 Pandas 的新手，而我对使用 python 有很好的了解。

我有两个数据框，我必须从中获取匹配的记录和不匹配的记录到新的数据框中。

例子 ：

DF1：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 450000

DF2：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

而且，这里的主键是 ID 和名称（实际上键的数量可能会有所不同），我需要得到

匹配_df：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999

不匹配_df :

ID Name Number    DOB     Salary
4  DDD  1237   05-09-2000 540000

我已经尝试了所有可能的方法，比如

pd.merge(df1, df2, left_on=[ID,Name],right_on=[ID,Name], how='inner')

这会产生两个数据帧中的所有唯一键。但这也会产生不匹配的记录。

但我得到了这个作为我的结果：

ID Name Number    DOB     Salary
1  AAA  1234   12-05-1996 100000
2  BBB  1235   16-08-1997 200000
3  CCC  1236   24-04-1998 389999
4  DDD  1237   05-09-2000 540000

其中第四条记录也被包括在内。

这里，只有工资列是变化的，但在实时，它可能是要比较的列的列表。

由此，我只需要匹配到matched_df 的记录和到mismatch_df 的非匹配记录。

请帮我做这件事。

注意：我的数据集可能是一个庞大的数据集（两个数据集中都有 1 亿条记录），因此，请给我一个减少执行时间的有效方法。

提前致谢。

Answer 1

您的问题的简单答案是df1.where：

注意：带有 NaN 的结果单元格不满足条件，即它们在两个数据帧中不相等。具有实际值的那些是在两个数据帧中相等的那些

>>> df1.where(df1.Salary==df2.Salary)
          DoB   ID  Name    Salary
0  12-05-1996  1    AAA  100000.0
1  16-08-1997  2    BBB  200000.0
2  24-04-1998  3    CCC  389999.0
3         NaN  NaN  NaN       NaN

使用时pd.merge：如果您只想在没有列或索引级别的情况下合并 df1 和 df1，那么它将默认为两个 DataFrame 中列的交集。

>>> pd.merge(df1, df2)
          DoB  ID Name  Salary
0  12-05-1996   1  AAA  100000
1  16-08-1997   2  BBB  200000
2  24-04-1998   3  CCC  389999

如果您希望加入列或索引级别，请使用on.

 >>> pd.merge(df1, df2, on="Salary")
        DoB_x  ID_x Name_x  Salary       DoB_y  ID_y Name_y
0  12-05-1996     1    AAA  100000  12-05-1996     1    AAA
1  16-08-1997     2    BBB  200000  16-08-1997     2    BBB
2  24-04-1998     3    CCC  389999  24-04-1998     3    CCC

对于不匹配df2： 您可以选择isin(dict)方法：

>>> df2[~df2.isin(df1.to_dict('l')).all(1)]
          DoB  ID Name  Salary
3  05-09-2000   4  DDD  540000

Mabel 给出的另一种方式。

df2[~df2.isin(df1).all(axis=1)]

Answer 2

# pick index keys and compare column(s)
keys = ['ID', 'Name']
# if comparing all columns:
col_list = [col for col in df1.columns if col not in keys]
# # if comparing specific columns:
# col_list = ['Salary', 'DOB']

# extend keys with col_list for next step
sel_cols = keys.copy()
sel_cols.extend(col_list)

# set a multi-index with keys
# to dataframes with col_list columns
dfa = df1[sel_cols].set_index(keys)
dfb = df2[sel_cols].set_index(keys)

# make an equivalency boolean mask
dfa.update(dfb)
mask = np.equal(df1[col_list].values, dfa.values).all(axis=1)

# slice df1 with mask
Match_df = df1[mask]
Mismatch_df = df1[~mask]