我正在尝试合并具有相同架构的 >=2 文件。
这些文件将包含重复的条目,但行不会相同,例如:
file1:
store_id,address,phone
9191,9827 Park st,999999999
8181,543 Hello st,1111111111
file2:
store_id,address,phone
9191,9827 Park st Apt82,999999999
7171,912 John st,87282728282
Expected output:
9191,9827 Park st Apt82,999999999
8181,543 Hello st,1111111111
7171,912 John st,87282728282
如果你注意到: 9191,9827 Park st,999999999 和 9191,9827 Park st Apt82,999999999 基于 store_id 和电话是相似的,但我从 file2 中提取它,因为地址更具描述性。
store_id+phone_number 是我查找位置和查找重复项的复合主键(store_id 足以在上面的示例中找到它,但我需要一个基于多个列值的键)
问题:
- 我需要合并多个具有相同架构但具有重复行的 CSV 文件。
- 行级别合并应该具有根据行的值选择行的特定值的逻辑。就像从文件 1 中提取的电话和从文件 2 中提取的地址一样。
- 1 个或多个列值的组合将定义行是否重复。
这可以使用 pandas 实现吗?
请您参考如下方法:
将它们粉碎在一起的一种方法是使用合并(在 store_id 和数字上,如果它们是索引,那么这将是一个连接而不是合并):
In [11]: res = df1.merge(df2, on=['store_id', 'phone'], how='outer')
In [12]: res
Out[12]:
store_id address_x phone address_y
0 9191 9827 Park st 999999999 9827 Park st Apt82
1 8181 543 Hello st 1111111111 NaN
2 7171 NaN 87282728282 912 John st
然后您可以使用 where选择 address_y(如果存在),否则选择 address_x:
In [13]: res['address'] = res.address_y.where(res.address_y, res.address_x)
In [14]: del res['address_x'], res['address_y']
In [15]: res
Out[15]:
store_id phone address
0 9191 999999999 9827 Park st Apt82
1 8181 1111111111 543 Hello st
2 7171 87282728282 912 John st
