pandas 两个表的复杂条件合并

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

对两个表进行比对，是日常中经常要做的事情，但是在比对中往往会有一定的数据处理逻辑，在使用 Excel处理时这就变得非常棘手。这时 pandas 能够帮助我们进行复杂的合并处理，今天我们利用这样的一个案例来感受一下。

数据与需求

我们先将两个表的数据读取到 DataFrame：

from io import StringIO
import pandas as pd
import numpy as np

data1 = '''
SSO,姓名,夜班补贴,住房补贴,全勤奖,高温津贴,岗位津贴,交通补贴
123445,张三,195,150,100,683,5344,438
112253,李四,534,150,100,584,968,695
226536,王五,555,150,83,84934,654,954
335221,陈六,694,150,100,6950,596,569
246244,高高,0,150,100,0,0,0
'''

data2 = '''
SSO,姓名,夜班补贴,住房补贴,全勤奖,高温津贴,岗位津贴,交通补贴
112253,李四,195,150,100,0,0,0
226536,王五,70,150,100,0,0,0
246244,高高,0,150,100,0,0,0
905241,小明,0,150,100,0,0,0
996365,小红,0,150,100,0,0,0
'''


df1 = pd.read_csv(StringIO(data1))
df2 = pd.read_csv(StringIO(data2))

将以上两个表合并为一个表，以 SSO 列的值为基准：

其中一个表有：
- 仅表1有：完全保留表1的数据；
- 仅表2有：保留表2数据，并取所有值的相反数
两个表都有：
- 所有值相同：不保留
- 否则：表1减表2对应值

思路

我们的思路是先将两个表之间合并，合并后我们按照一张表去处理。在新的表里面我们按照 SSO 去做分组，分组后会得到每个子 DataFrame。

我们利用函数去处理每一个人的子 DataFrame，使其只保留一条按逻辑处理后的数据。

代码

先将两张表做简单的合并，并利用索引进行标识：

# 将两个表合并，增加表标识
df = pd.concat([df1, df2], keys=['t1', 't2'])
df
'''
         SSO  姓名  夜班补贴  住房补贴  全勤奖   高温津贴  岗位津贴  交通补贴
t1 0  123445  张三   195   150  100    683  5344   438
   1  112253  李四   534   150  100    584   968   695
   2  226536  王五   555   150   83  84934   654   954
   3  335221  陈六   694   150  100   6950   596   569
   4  246244  高高     0   150  100      0     0     0
t2 0  112253  李四   195   150  100      0     0     0
   1  226536  王五    70   150  100      0     0     0
   2  246244  高高     0   150  100      0     0     0
   3  905241  小明     0   150  100      0     0     0
   4  996365  小红     0   150  100      0     0     0
'''

接下来按 SSO 列进行分组，分组后会得到多个以 SSO 的子 DataFrame，代表着相同的人。接下来我们按照逻辑要求编写一个函数来做数据处理：

def func(d: pd.DataFrame):
    # 取消多层索引, 设置表名为索引，方便操作
    d = d.reset_index().set_index('level_0')
    # 把表名转为列表，方便后续判断
    tab_names = d.index.to_list()

    # 处理一只有一个表有的情况
    if d.shape[0] == 1:
        # 仅表1有
        if 't1' in tab_names:
            pass # 保留，直接返回
        else:
            # 对数据部分求负值
            d.loc[:,'夜班补贴':] = d.loc[:,'夜班补贴':].apply(np.negative)
    # 两个表都有
    else:
        # 如果两个值都相同
        if d.loc[:,'姓名':].duplicated().any():
            d = pd.DataFrame()
        else:
            # 将表名排序后求差，默认降序，t2 在前，因此求差要后边减前边 
            d.loc[:,'夜班补贴':] = (d.sort_index()
                                .loc[:,'夜班补贴':]
                                .diff(-1)
                               )
            d = d.head(1) # 取求差后的第一条

    return d

我们应用这个函数同时对数据做进一步的处理。

(
    df.groupby('SSO', as_index=False)
    .apply(func)
    .reset_index(drop=True)
    .drop('level_1', axis=1)
    .astype(df.dtypes.replace({'float64': int}))
)
'''
      SSO  姓名  夜班补贴  住房补贴  全勤奖   高温津贴  岗位津贴  交通补贴
0  112253  李四   339     0    0    584   968   695
1  123445  张三   195   150  100    683  5344   438
2  226536  王五   485     0  -17  84934   654   954
3  335221  陈六   694   150  100   6950   596   569
4  905241  小明     0  -150 -100      0     0     0
5  996365  小红     0  -150 -100      0     0     0
'''

在以上代码中我们删除了索引、删除了多余的列、将数字类型转换为整型。

这样我们就完成了需求。

（完）

pandas 两个表的复杂条件合并

数据与需求

思路

代码

相关内容