基于索引的合并

当组合DataFrame时，连接信息有时存在于其索引中，而非公共列值。Pandas提供了灵活的方法来处理这些场景，包括pd.merge函数和专门的.join方法。

假设您有两个数据集：一个包含员工详细信息，以员工ID作为索引；另一个包含绩效评估分数，也以相同的员工ID作为索引。要将它们结合起来，您会希望根据它们的索引进行对齐 (alignment)。

使用带索引标志的pd.merge

pd.merge函数通过left_index和right_index布尔参数 (parameter)支持基于索引的合并。

• left_index=True：使用左侧DataFrame的索引作为其连接键。
• right_index=True：使用右侧DataFrame的索引作为其连接键。

我们创建两个简单DataFrame来演示：

import pandas as pd

# DataFrame 1：以员工ID作为索引的员工信息
employees = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'],
                          'department': ['HR', 'Engineering', 'Sales']},
                         index=['E101', 'E102', 'E103'])

# DataFrame 2：以员工ID作为索引的薪资信息
salaries = pd.DataFrame({'salary': [70000, 85000, 78000]},
                        index=['E101', 'E102', 'E103'])

print("员工信息 DataFrame:")
print(employees)
print("\n薪资信息 DataFrame:")
print(salaries)

输出：

Employees DataFrame:
           name department
E101    Alice         HR
E102      Bob Engineering
E103  Charlie       Sales

Salaries DataFrame:
      salary
E101   70000
E102   85000
E103   78000

要根据它们的共同索引（员工ID）合并这些数据，我们将left_index和right_index都设为True：

# 使用两个DataFrame的索引进行合并
employee_data = pd.merge(employees, salaries, left_index=True, right_index=True)

print("\n合并后的DataFrame（使用索引）：")
print(employee_data)

输出：

Merged DataFrame (using index):
           name department  salary
E101    Alice         HR   70000
E102      Bob Engineering   85000
E103  Charlie       Sales   78000

合并操作根据共享的索引值（'E101'、'E102'、'E103'）正确地对齐 (alignment)了行。

混合索引和列合并

您也可以混合使用索引和列键。假设薪资信息使用的是名为emp_id的列而不是索引：

# 包含'emp_id'列的薪资信息
salaries_col = pd.DataFrame({'emp_id': ['E101', 'E102', 'E104'], # 注意：E104 代替了 E103
                             'salary': [70000, 85000, 92000]})

print("\n薪资信息 DataFrame（带列）：")
print(salaries_col)

# 合并员工信息（使用索引）和薪资信息（使用'emp_id'列）
employee_data_mixed = pd.merge(employees, salaries_col,
                               left_index=True, right_on='emp_id',
                               how='left') # 使用左连接保留所有员工

print("\n合并后的DataFrame（混合索引/列，左连接）：")
print(employee_data_mixed)

输出：

Salaries DataFrame (with column):
  emp_id  salary
0   E101   70000
1   E102   85000
2   E104   92000

Merged DataFrame (mixed index/column, left join):
           name department emp_id   salary
E101    Alice         HR   E101  70000.0
E102      Bob Engineering   E102  85000.0
E103  Charlie       Sales    NaN      NaN

这里，left_index=True告诉merge使用employees DataFrame的索引，而right_on='emp_id'指定salaries_col中的emp_id列应作为右侧DataFrame的键。我们使用了how='left'连接，以保留左侧DataFrame（employees）中的所有员工；请注意，'Charlie' (E103) 的emp_id和salary值为NaN，因为salaries_col的emp_id列中不存在'E103'。同样，salaries_col中的'E104'被丢弃了，因为它在左连接过程中未匹配到employees中的任何索引。

基于索引合并的.join()方法

Pandas DataFrames有一个便捷方法.join()，专门用于基于索引的合并。它默认执行左连接，但可以通过how参数 (parameter)配置为其他连接类型。

对于索引合并，其语法通常更简洁：left_df.join(right_df, how='...')

我们用.join()重新看第一个例子：

# 使用.join()进行索引对索引的合并（默认左连接）
employee_data_join = employees.join(salaries)

print("\n合并后的DataFrame（使用.join()）：")
print(employee_data_join)

输出：

Merged DataFrame (using .join()):
           name department  salary
E101    Alice         HR   70000
E102      Bob Engineering   85000
E103  Charlie       Sales   78000

这产生了与pd.merge调用left_index=True和right_index=True相同的结果（在第一个merge示例中隐式使用了默认的内连接，或者显式指定how='left'，由于索引完全匹配，在此处效果相同）。

.join()方法还可以将一个DataFrame的索引与另一个DataFrame中的列连接起来，如果您将列名传递给on参数：

# 对于此特定连接示例，需要在salaries_col上设置索引
salaries_col_indexed = salaries_col.set_index('emp_id')

print("\n薪资信息 DataFrame（以emp_id为索引）：")
print(salaries_col_indexed)

# 将员工信息（索引）与已索引的薪资信息（索引）连接
# 这等同于第一个.join()示例
employee_data_join_indexed = employees.join(salaries_col_indexed, how='inner') # 内连接

print("\n合并后的DataFrame（使用.join()在索引上，内连接）：")
print(employee_data_join_indexed)

# 将员工信息索引与薪资信息的'emp_id'列连接
# 注意：与pd.merge相比，此特定用例对.join()而言不太常见
#       它要求*左侧*DataFrame (employees) 中存在'emp_id'列
#       我们暂时添加它来展示语法（并非典型用法）
employees_with_id = employees.reset_index().rename(columns={'index': 'emp_id'})
print("\n带有emp_id列的员工信息：")
print(employees_with_id)

# 对于此基于'emp_id'列的连接，薪资数据需要*不*带索引
print("\n带有emp_id列的薪资信息（原始）：")
print(salaries_col)

# 使用employees_with_id中的'emp_id'列执行连接
# 右侧DataFrame (salaries_col) 必须被恰当地索引
# 才能按预期工作。让我们重新索引salaries_col：
employee_data_join_on = employees_with_id.join(salaries_col.set_index('emp_id'), on='emp_id', how='left')

print("\n合并后的DataFrame（使用.join()带'on'参数）：")
print(employee_data_join_on)

输出：

Salaries DataFrame (indexed by emp_id):
        salary
emp_id
E101     70000
E102     85000
E104     92000

Merged DataFrame (using .join() on indices, inner):
           name department  salary
E101    Alice         HR   70000
E102      Bob Engineering   85000

Employees with emp_id column:
  emp_id     name department
0   E101    Alice         HR
1   E102      Bob Engineering
2   E103  Charlie       Sales

Salaries with emp_id column (original):
  emp_id  salary
0   E101   70000
1   E102   85000
2   E104   92000

Merged DataFrame (using .join() with 'on'):
  emp_id     name department   salary
0   E101    Alice         HR  70000.0
1   E102      Bob Engineering  85000.0
2   E103  Charlie       Sales      NaN

何时使用 pd.merge 与 .join：

• 当您需要最大的灵活性时，请使用pd.merge()：合并列与列、索引与索引，或者混合列和索引。它是通用的合并函数。
• 将.join()用作便捷的简写方式，主要用于基于索引的合并（左侧DataFrame的索引与右侧DataFrame的索引）。它默认执行左连接，这很常见。虽然它可以使用on关键字进行列连接，但对于基于列或混合的合并，pd.merge通常更清晰。

掌握基于索引的合并很重要，以便高效地组合唯一标识符存储为索引标签的数据集，这在时间序列数据和其他结构化数据集中是一种常见模式。