Поиск общих строк (пересечение) в двух фреймах Pandas

Предположим, у меня есть два фрейма данных этого формата (назовите их df1 и df2):

+------------------------+------------------------+--------+
|        user_id         |      business_id       | rating |
+------------------------+------------------------+--------+
| rLtl8ZkDX5vH5nAx9C3q5Q | eIxSLxzIlfExI6vgAbn2JA |      4 |
| C6IOtaaYdLIT5fWd7ZYIuA | eIxSLxzIlfExI6vgAbn2JA |      5 |
| mlBC3pN9GXlUUfQi1qBBZA | KoIRdcIfh3XWxiCeV1BDmA |      3 |
+------------------------+------------------------+--------+

Я ищу, чтобы получить dataframe всех строк, которые имеют общий user_id в df1 и df2. (т.е. если a user_id находится в df1 и df2, включите две строки в выходной блок данных)

Я могу придумать много способов приблизиться к этому, но все они ударяют меня как неуклюжий. Например, мы могли бы найти все уникальные user_id в каждом фрейме данных, создать набор из них, найти их пересечение, отфильтровать два кадра данных с результирующим набором и объединить два отфильтрованных файла данных.

Может быть, лучший подход, но я знаю, что Pandas умный. Есть ли более простой способ сделать это? Я посмотрел на merge, но я не думаю, что мне нужно.

Ответ 1

Я понимаю, что на этот вопрос лучше ответить на этот пост.

Но вкратце, ответ OP на этот метод просто:

s1 = pd.merge(df1, df2, how='inner', on=['user_id'])

Что дает s1 с 5 столбцами: user_id и два других столбца из каждого из df1 и df2.

Ответ 2

Если вы правильно поняли, вы можете использовать комбинацию Series.isin() и DataFrame.append():

In [80]: df1
Out[80]:
   rating  user_id
0       2  0x21abL
1       1  0x21abL
2       1   0xdafL
3       0  0x21abL
4       4  0x1d14L
5       2  0x21abL
6       1  0x21abL
7       0   0xdafL
8       4  0x1d14L
9       1  0x21abL

In [81]: df2
Out[81]:
   rating      user_id
0       2      0x1d14L
1       1    0xdbdcad7
2       1      0x21abL
3       3      0x21abL
4       3      0x21abL
5       1  0x5734a81e2
6       2      0x1d14L
7       0       0xdafL
8       0      0x1d14L
9       4  0x5734a81e2

In [82]: ind = df2.user_id.isin(df1.user_id) & df1.user_id.isin(df2.user_id)

In [83]: ind
Out[83]:
0     True
1    False
2     True
3     True
4     True
5    False
6     True
7     True
8     True
9    False
Name: user_id, dtype: bool

In [84]: df1[ind].append(df2[ind])
Out[84]:
   rating  user_id
0       2  0x21abL
2       1   0xdafL
3       0  0x21abL
4       4  0x1d14L
6       1  0x21abL
7       0   0xdafL
8       4  0x1d14L
0       2  0x1d14L
2       1  0x21abL
3       3  0x21abL
4       3  0x21abL
6       2  0x1d14L
7       0   0xdafL
8       0  0x1d14L

Это по существу алгоритм, который вы назвали "неуклюжим", используя идиоматические методы pandas. Обратите внимание на повторяющиеся индексы строк. Также обратите внимание, что это не даст ожидаемого результата, если df1 и df2 не имеют перекрывающихся индексов строк, т.е. Если

In [93]: df1.index & df2.index
Out[93]: Int64Index([], dtype='int64')

Фактически, он не даст ожидаемого результата, если их индексы строк не равны.

Ответ 3

В SQL эта проблема может быть решена несколькими способами:

select * from df1 where exists (select * from df2 where df2.user_id = df1.user_id)
union all
select * from df2 where exists (select * from df1 where df1.user_id = df2.user_id)

или присоединиться, а затем отключить (возможно на сервере SQL)

select
    df1.user_id,
    c.rating
from df1
    inner join df2 on df2.user_i = df1.user_id
    outer apply (
        select df1.rating union all
        select df2.rating
    ) as c

Второй можно записать в pandas с чем-то вроде:

>>> df1 = pd.DataFrame({"user_id":[1,2,3], "rating":[10, 15, 20]})
>>> df2 = pd.DataFrame({"user_id":[3,4,5], "rating":[30, 35, 40]})
>>>
>>> df4 = df[['user_id', 'rating_1']].rename(columns={'rating_1':'rating'})
>>> df = pd.merge(df1, df2, on='user_id', suffixes=['_1', '_2'])
>>> df3 = df[['user_id', 'rating_1']].rename(columns={'rating_1':'rating'})
>>> df4 = df[['user_id', 'rating_2']].rename(columns={'rating_2':'rating'})
>>> pd.concat([df3, df4], axis=0)
   user_id  rating
0        3      20
0        3      30