Pandas 的Merge函數詳解(2)

在 Pandas 中，merge_ordered 是一種用于合并有序數據的函數。它類似于 merge 函數，但適用于處理時間序列數據或其他有序數據。merge_ordered 在合并時會保留原始數據的順序，并且支持對缺失值進行處理。

 pd.merge_ordered(customer, order)

默認情況下，merge_ordered將執行Outer Join并根據連接鍵對數據進行排序。我們也可以像更改合并類型一樣調整how參數。

merge_ordered是為有序數據(如時間序列)開發的。所以我們創建另一個名為Delivery的數據集來模擬時間序列數據合并。

 order = pd.DataFrame({'order_id': [200, 201,202,203,204],                      'cust_id':[1,3,3,4,2],                      'order_date': ['2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],                      'order_value': [10.1, 20.5, 18.7, 19.1, 13.5],                      'delivery_country' : ['German', 'Indonesia', 'Armenia', 'Singapore', 'Japan']                      })
 delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-08', '2014-07-09', '2014-07-10'],                        'product': ['Apple', 'Apple', 'Orange', 'Orange']})

讓我們假設delivery_date是投遞時間，它包含與Order數據集中的order_date一起使用。另外就是我們還需要將日期列轉換為datetime對象。

 order['order_date'] = pd.to_datetime(order['order_date'])  delivery['delivery_date'] = pd.to_datetime(delivery['delivery_date'])

讓我們嘗試按日期列合并兩個數據集。

 pd.merge_ordered(order, delivery,  left_on = 'order_date', right_on = 'delivery_date')

合并的DataFrame是按連接鍵排序的Order和Delivery數據集的Outer Join結果。

由于是外連接，一些數據點是空的。對于merge_ordered，有一個選項可以通過使用fill_method參數來填充缺失的值。

 pd.merge_ordered(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', fill_method = 'ffill' )

在上面的DataFrame中執行前向填充方法來計算缺失的值。

最后merge_ordered函數還可以基于數據集列執行DataFrame分組，并將它們一塊一塊地合并到另一個數據集。

 pd.merge_ordered(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', right_by = 'product')

在上面的代碼中將product列傳遞給right_by參數，這樣product列中的每個值都映射到每個可用行，并且用于對數據進行分組的同一DataFrame中不存在的數據用NaN填充。

為了進一步理解，我們在合并之前添加日期來對數據進行分組。

 pd.merge_ordered(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', right_by = ['delivery_date','product'])

在上面的合并過程中，我們最終得到了4個不同的組:

 ['2014–07–06', 'Apple'], ['2014–07–08', 'Apple'], ['2014–07–09', 'Orange'], ['2014–07–10', 'Orange']

該組基于所使用列中的現有行，因此它不是所有惟一值的組合。例如，沒有[' 2014-07-09 '，'Apple']組，因為此數據不存在。
在上面的DataFrame中可以看到Order數據集中的每一行都映射到Delivery數據集中的組。

merge_asof 是一種用于按照最近的關鍵列值合并兩個數據集的函數。這個函數用于處理時間序列數據或其他有序數據，并且可以根據指定的列或索引按照最接近的值進行合并。

 order = pd.DataFrame({'order_id': [199, 200, 201,202,203,204],                      'cust_id':[1,1,3,3,4,2],                      'order_date': ['2014-07-01', '2014-07-05', '2014-07-06', '2014-07-07', '2014-07-07', '2014-07-08'],                      'order_value': [11, 10.1, 20.5, 18.7, 19.1, 13.5],                      'delivery_country' : ['Poland', 'German', 'Indonesia', 'Armenia', 'Singapore', 'Japan']                      })  delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-08', '2014-07-09', '2014-07-10'],                        'product': ['Apple', 'Apple', 'Orange', 'Orange']})

使用merge_asof函數的一個注意事項是，必須按鍵對兩個DataFrame進行排序。這是因為它將根據鍵的距離合并鍵，而未排序的DataFrame將拋出錯誤消息。

使用merge_asof類似于其他的合并操作，需要傳遞想要合并的DataFrame及其鍵名稱。

 pd.merge_asof(order, delivery, left_on = 'order_date',  right_on = 'delivery_date')

我們可以看到一些數據被合并了，但不是精確的值匹配。比如在第三行和第四行，order_date值為“2014-07-07”，但delivery_date為“2014-07-06”。

使用merge_asof會丟失數據。默認情況下它查找最接近匹配的已排序的鍵。在上面的代碼中，與delivery_date不完全匹配的order_date試圖在delivery_date列中找到與order_date值較小或相等的鍵。

delivery_date中小于等于order_date' 2014-07-07 '的值為' 2014-07-06 '。這就是為什么合并發生在這個鍵上。而order_date ' 2017-04-01 '和' 2017-04-05 '根本沒有匹配，因為在delivery_date中沒有小于或等于它們的值的值。

如果在正確的DataFrame中有多個重復的鍵，則只有最后一行用于合并過程。例如將更改delivery_date數據，使其具有多個不同產品的“2014-07-06”值。

 delivery = pd.DataFrame({'delivery_date': ['2014-07-06', '2014-07-06', '2014-07-08', '2014-07-10'],                        'product': ['Apple', 'Orange', 'Apple', 'Orange']})

然后我們將執行與之前相同的合并過程。

 pd.merge_asof(order, delivery, left_on = 'order_date',  right_on = 'delivery_date')

可以看到，合并過程對Orange產品而不是Apple產品使用delivery_date ，盡管兩者具有相同的鍵值。另外具有精確匹配的鍵也會受到影響，它們會選擇最后一行鍵。

可以通過設置allow_exact_matches=False來關閉精確匹配合并。

 pd.merge_asof(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', allow_exact_matches = False)

通過使用direction 參數來改變查找鍵的策略。例如使用向前策略：

 pd.merge_asof(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', direction = 'forward')

向前策略與向后策略類似，不同之處在于該函數將通過查看大于或等于正確DataFrame鍵的值來嘗試合并。

另一個可以使用的策略是就近策略。在這個策略中使用向后或向前策略;取絕對距離中最近的那個。如果有多個最接近的鍵或精確匹配，則使用向后策略。

 pd.merge_asof(order, delivery, left_on = 'order_date',   right_on = 'delivery_date', direction = 'nearest')

最后還可以通過使用tolerance 參數來控制鍵之間的距離。

 pd.merge_asof(order, delivery, left_on = 'order_date',  right_on = 'delivery_date', direction = 'forward',   tolerance = pd.Timedelta(1, 'd'))

在上面的示例中，只有第一行包含缺失值。這是因為order_date第一行與最近的日期delivery_date之間的距離大于一天。第二行成功合并，因為只差一天。

Pandas函數提供了Merge函數可以輕松的幫助我們合并數據，而merge_ordered函數和merge_asof可以幫助我們進行更加定制化的合并工作，雖然這兩個函數可能并不常見，但是它們的確在一些特殊的需求上非常的好用。

作者：Cornellius Yudha Wijaya