パンダでの結合とマージの違いは何ですか？

次のような2つのデータフレームがあるとします。

left = pd.DataFrame({'key1': ['foo', 'bar'], 'lval': [1, 2]})

right = pd.DataFrame({'key2': ['foo', 'bar'], 'rval': [4, 5]})

それらをマージしたいので、私は次のようなことを試みます：

pd.merge(left, right, left_on='key1', right_on='key2')

そして私は幸せです

    key1    lval    key2    rval
0   foo     1       foo     4
1   bar     2       bar     5

しかし、私は結合方法を使用しようとしていますが、これはかなり似ていると信じていました。

left.join(right, on=['key1', 'key2'])

そして私はこれを手に入れます：

//anaconda/lib/python2.7/site-packages/pandas/tools/merge.pyc in _validate_specification(self)
    406             if self.right_index:
    407                 if not ((len(self.left_on) == self.right.index.nlevels)):
--> 408                     raise AssertionError()
    409                 self.right_on = [None] * n
    410         elif self.right_on is not None:

AssertionError: 

何が欠けていますか？

私は常にjoinインデックスで使用します：

import pandas as pd
left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]}).set_index('key')
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]}).set_index('key')
left.join(right, lsuffix='_l', rsuffix='_r')

     val_l  val_r
key            
foo      1      4
bar      2      5

merge次の列を使用して同じ機能を実現できます。

left = pd.DataFrame({'key': ['foo', 'bar'], 'val': [1, 2]})
right = pd.DataFrame({'key': ['foo', 'bar'], 'val': [4, 5]})
left.merge(right, on=('key'), suffixes=('_l', '_r'))

   key  val_l  val_r
0  foo      1      4
1  bar      2      5

pandas.merge() すべてのマージ/結合動作に使用される基本的な関数です。

データフレームは、pandas.DataFrame.merge()およびpandas.DataFrame.join()の機能にアクセスする便利な方法としておよびメソッドを提供しますpandas.merge()。たとえば、df1.merge(right=df2, ...)はと同等pandas.merge(left=df1, right=df2, ...)です。

これらは、主な違いですdf.join()とdf.merge()：

1. 右表のルックアップは：df1.join(df2)いつものインデックスを経由して参加しdf2ますが、df1.merge(df2)の1つ以上の列に参加することができますdf2（デフォルト）またはのインデックスにdf2（とright_index=True）。
2. 左のテーブルのルックアップ：デフォルトでdf1.join(df2)は、のインデックスdf1とのdf1.merge(df2)列を使用しますdf1。df1.join(df2, on=key_or_keys)またはを指定することで上書きできますdf1.merge(df2, left_index=True)。
3. 左対内部結合：df1.join(df2)デフォルトで左結合を実行します（のすべての行を保持df1）が、df.mergeデフォルトでは内部結合を実行します（df1andの一致する行のみを返しますdf2）。

したがって、一般的なアプローチは、pandas.merge(df1, df2)またはを使用することdf1.merge(df2)です。ただし、多くの一般的な状況（のすべての行を保持df1し、インデックスに結合するdf2）の場合は、df1.join(df2)代わりにを使用することで、入力を節約できます。

http://pandas.pydata.org/pandas-docs/stable/merging.html#database-style-dataframe-joining-mergingのドキュメントからこれらの問題に関するいくつかのメモ：

merge はpandas名前空間の関数であり、DataFrameインスタンスメソッドとしても使用できます。呼び出し側のDataFrameは、暗黙的に結合の左側のオブジェクトと見なされます。

関連するDataFrame.joinメソッドmergeは、インデックスオンインデックスとインデックスオンカラムの結合に内部的に使用しますが、デフォルトでは、共通の列に結合しようとするのではなく、インデックスに結合します（のデフォルトの動作merge）。インデックスに参加している場合は、を使用DataFrame.joinして入力を省くことができます。

...

これら2つの関数呼び出しは完全に同等です。

left.join(right, on=key_or_keys)
pd.merge(left, right, left_on=key_or_keys, right_index=True, how='left', sort=False)

それjoin()は便利な方法だと思います。試してみてくださいdf1.merge(df2)代わりに、ユーザーが指定することを可能にするleft_onとright_on：

In [30]: left.merge(right, left_on="key1", right_on="key2")
Out[30]: 
  key1  lval key2  rval
0  foo     1  foo     4
1  bar     2  bar     5

このドキュメントから

pandasは、DataFrameオブジェクト間のすべての標準データベース結合操作のエントリポイントとして、単一の関数mergeを提供します。

merge(left, right, how='inner', on=None, left_on=None, right_on=None,
      left_index=False, right_index=False, sort=True,
      suffixes=('_x', '_y'), copy=True, indicator=False)

そして：

DataFrame.joinインデックスが異なる可能性のある2つのDataFrameの列を1つの結果DataFrameに結合する便利な方法です。これは非常に基本的な例です。ここでのデータ配置はインデックス（行ラベル）上にあります。これと同じ動作は、マージと、インデックスを使用するように指示する追加の引数を使用して実現できます。

result = pd.merge(left, right, left_index=True, right_index=True,
how='outer')

違いの1つは、merge新しいインデックスを作成するjoinことと、左側のインデックスを保持することです。を使用してインデックスが変更されていないと誤って想定した場合、その後の変換に大きな影響を与える可能性がありますmerge。

例えば：

import pandas as pd

df1 = pd.DataFrame({'org_index': [101, 102, 103, 104],
                    'date': [201801, 201801, 201802, 201802],
                    'val': [1, 2, 3, 4]}, index=[101, 102, 103, 104])
df1

       date  org_index  val
101  201801        101    1
102  201801        102    2
103  201802        103    3
104  201802        104    4

-

df2 = pd.DataFrame({'date': [201801, 201802], 'dateval': ['A', 'B']}).set_index('date')
df2

       dateval
date          
201801       A
201802       B

-

df1.merge(df2, on='date')

     date  org_index  val dateval
0  201801        101    1       A
1  201801        102    2       A
2  201802        103    3       B
3  201802        104    4       B

-

df1.join(df2, on='date')
       date  org_index  val dateval
101  201801        101    1       A
102  201801        102    2       A
103  201802        103    3       B
104  201802        104    4       B

• 結合：デフォルトのインデックス（同じ列名の場合、lsuffixまたはrsuffixが定義されていないため、デフォルトモードではエラーがスローされます））

df_1.join(df_2)

• マージ：デフォルトの同じ列名（同じ列名がない場合、デフォルトモードではエラーがスローされます）

df_1.merge(df_2)

• on パラメータは両方の場合で異なる意味を持っています

df_1.merge(df_2, on='column_1')

df_1.join(df_2, on='column_1') // It will throw error
df_1.join(df_2.set_index('column_1'), on='column_1')

SQLと同様に、「Pandasの結合は外部結合または内部結合であり、Pandas結合は自然結合です」です。したがって、パンダでマージを使用する場合は、使用するSQLish結合の種類を指定する必要がありますが、パンダ結合を使用する場合は、結合を確実にするために一致する列ラベルが必要です。