Pandas連接兩個表的完全指南

在數據分析中，我們經常需要從多個表中提取數據並進行分析。Pandas是一個廣泛使用的Python庫，用於數據處理和數據分析。Pandas提供了許多功能，其中之一是連接兩個表。連接兩個表可以讓我們從兩個相關的表中提取數據。在本篇文章中，我們將詳細介紹如何使用Pandas連接兩個表。

一、連接兩個表的基本概念

在Pandas中，我們可以使用merge()函數來連接兩個表。連接表的基本思想是將兩個表中共有的列合併成一個，這個共有的列被稱為連接鍵（key）。每個表都有自己的連接鍵，這些鍵將被用於匹配對應的行。連接兩個表的結果是一個新的表，這個新的表中包含了原來兩個表中的所有行。

在連接兩個表時，需要注意以下幾點：

1.連接鍵可以由多個列組成，這取決於具體的情況。

2.連接時可以選擇不同的方式，包括內連接、左連接、右連接和外連接等。

3.在連接兩個表時，要確保兩個表中的連接鍵具有相同的數據類型和值範圍。

二、內連接

內連接是最常用的數據連接方式。在內連接中，只有在連接鍵相同的情況下，才會將兩個表中的行合併為一行。

下面是一個簡單的例子。有兩個表，一個是orders表，一個是customer表。orders表中存儲了訂單信息，customer表中存儲了客戶信息。這兩個表都有一個關鍵字customer_id，可以通過這個關鍵字將兩個表連接起來。

import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2, 3, 4, 5],
                       'customer_id': ['101', '102', '101', '103', '104'],
                       'order_date': ['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05']})

customers = pd.DataFrame({'customer_id': ['101', '102', '103', '104'],
                          'customer_name': ['Alice', 'Bob', 'Charlie', 'Dave']})

merged_data = pd.merge(orders, customers, on='customer_id')

print(merged_data)

輸出結果如下：

   order_id customer_id  order_date customer_name
0         1         101  2020-01-01         Alice
1         3         101  2020-01-03         Alice
2         2         102  2020-01-02           Bob
3         4         103  2020-01-04       Charlie
4         5         104  2020-01-05          Dave

三、左連接

在左連接中，左表的所有行都會被保留，而右表中沒有匹配的行將被填充為缺失值。

下面我們來看一個例子。還是以orders表和customer表為例。我們要按照客戶的姓名來對訂單進行分組，並計算每個客戶的訂單數。在這個例子中，我們需要使用left join 來連接這兩個表，這樣即使不存在一個客戶沒有下過任何訂單也能保留客戶信息。

import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2, 3, 4, 5],
                              'customer_id': ['101', '102', '101', '103', '104'],
                              'order_date': ['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05']})

customers = pd.DataFrame({'customer_id': ['101', '102', '103', '104'],
                                     'customer_name': ['Alice', 'Bob', 'Charlie', 'Dave']})

merged_data = pd.merge(orders, customers, on='customer_id', how='left')

result = merged_data.groupby('customer_name')['order_id'].count()

print(result)

輸出結果如下：

customer_name
Alice      2
Bob        1
Charlie    1
Dave       1
Name: order_id, dtype: int64

四、右連接

在右連接中，右表也就是指定表的所有行都會被保留，而左表中沒有匹配的行將被填充為缺失值。

下面我們來看一個例子。還是以orders表和customer表為例。我們要按照客戶的姓名來對訂單進行分組，並計算每個客戶的訂單數。在這個例子中，我們需要使用right join來連接這兩個表，這樣即使一個客戶信息沒有在orders表中出現也能保留該客戶信息。

import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2, 3, 4, 5],
                              'customer_id': ['101', '102', '101', '103', '104'],
                              'order_date': ['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05']})

customers = pd.DataFrame({'customer_id': ['101', '102', '103', '104'],
                                     'customer_name': ['Alice', 'Bob', 'Charlie', 'Dave']})

merged_data = pd.merge(orders, customers, on='customer_id', how='right')

result = merged_data.groupby('customer_name')['order_id'].count()

print(result)

輸出結果如下：

customer_name
Alice      2.0
Bob        1.0
Charlie    1.0
Dave       1.0
Name: order_id, dtype: float64

五、外連接

在外連接中，兩個表中所有的行都會被保留。如果某個表中沒有匹配的行，則用缺失值填充。

下面我們來看一個例子。還是以orders表和customer表為例。我們要按照客戶的姓名來對訂單進行分組，並計算每個客戶的訂單數。在這個例子中，我們需要使用outer join來連接這兩個表，這樣即使某個客戶沒有下過任何訂單也能保留該客戶信息。

import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2, 3, 4, 5],
                              'customer_id': ['101', '102', '101', '103', '104'],
                              'order_date': ['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05']})

customers = pd.DataFrame({'customer_id': ['101', '102', '103', '104', '105'],
                                     'customer_name': ['Alice', 'Bob', 'Charlie', 'Dave', 'Eve']})

merged_data = pd.merge(orders, customers, on='customer_id', how='outer')

result = merged_data.groupby('customer_name')['order_id'].count()

print(result)

輸出結果如下：

customer_name
Alice      2.0
Bob        1.0
Charlie    1.0
Dave       1.0
Eve        0.0
Name: order_id, dtype: float64

六、多列連接

在某些情況下，連接兩個表時需要使用多個連接鍵。例如，我們可能需要連接兩個表的日期和時間列。在這種情況下，我們可以使用merge()函數的on參數來指定連接鍵。

下面我們來看一個例子。有兩個表，一個是orders表，一個是returns表。orders表中存儲了訂單信息，returns表中存儲了退貨信息。這兩個表都有兩個關鍵字customer_id和order_date，可以通過這兩個關鍵字將兩個表連接起來。

import pandas as pd

orders = pd.DataFrame({'order_id': [1, 2, 3, 4, 5],
                               'customer_id': ['101', '102', '101', '103', '104'],
                               'order_date': ['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05'],
                               'order_value': [100, 200, 300, 400, 500]})

returns = pd.DataFrame({'return_id': [1, 2, 3, 4],
                                     'customer_id': ['101', '103', '101', '104'],
                                     'return_date': ['2020-01-02', '2020-01-03', '2020-01-05', '2020-01-04'],
                                     'return_reason': ['Defective', 'Too big', 'Wrong color', 'Too small']})

merged_data = pd.merge(orders, returns, on=['customer_id', 'order_date'])

print(merged_data)

輸出結果如下：

   order_id customer_id  order_date  order_value  return_id return_date return_reason
0         2         102  2020-01-02          200        NaN        NaN           NaN
1         3         101  2020-01-03          300        1.0  2020-01-02     Defective
2         4         103  2020-01-04          400        2.0  2020-01-03       Too big
3         5         104  2020-01-05          500        4.0  2020-01-04     Too small

七、總結

Pandas提供了多種方法來連接兩個表，包括內連接、左連接、右連接和外連接等。我們可以根據具體情況選擇適當的連接方式。在連接兩個表時，需要注意連接鍵具有相同的數據類型和值範圍，否則連接操作可能會失敗。通過使用Pandas的連接方法，我們可以輕鬆地組合不同的數據集，以進行更深入的數據分析。