パンダは他のデータフレームにない行を取得します

いくつかの行が共通する2つのパンダデータフレームがあります。

dataframe2がdataframe1のサブセットであるとします。

dataframe2にないdataframe1の行を取得するにはどうすればよいですか？

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})

1つの方法は、両方のdfの内部マージフォームの結果を格納することです。1つの列の値がこの共通でない場合は、行を単に選択できます。

In [119]:

common = df1.merge(df2,on=['col1','col2'])
print(common)
df1[(~df1.col1.isin(common.col1))&(~df1.col2.isin(common.col2))]
   col1  col2
0     1    10
1     2    11
2     3    12
Out[119]:
   col1  col2
3     4    13
4     5    14

編集

あなたが見つけた別の方法は、あなたがドロップできる行をisin生成NaNすることを使うことです：

In [138]:

df1[~df1.isin(df2)].dropna()
Out[138]:
   col1  col2
3     4    13
4     5    14

ただし、df2が同じ方法で行を開始しない場合、これは機能しません。

df2 = pd.DataFrame(data = {'col1' : [2, 3,4], 'col2' : [11, 12,13]})

df全体を生成します。

In [140]:

df1[~df1.isin(df2)].dropna()
Out[140]:
   col1  col2
0     1    10
1     2    11
2     3    12
3     4    13
4     5    14

現在選択されているソリューションでは、正しくない結果が生成されます。この問題を正しく解決するには、左結合from df1を実行してdf2、最初にの一意の行だけを取得するようにしdf2ます。

最初に、元のDataFrameを変更して、データを含む行を追加する必要があります[3、10]。

df1 = pd.DataFrame(data = {'col1' : [1, 2, 3, 4, 5, 3], 
                           'col2' : [10, 11, 12, 13, 14, 10]}) 
df2 = pd.DataFrame(data = {'col1' : [1, 2, 3],
                           'col2' : [10, 11, 12]})

df1

   col1  col2
0     1    10
1     2    11
2     3    12
3     4    13
4     5    14
5     3    10

df2

   col1  col2
0     1    10
1     2    11
2     3    12

左結合を実行して重複を排除しdf2、df1結合の各行がの1行だけになるようにしdf2ます。パラメータindicatorを使用して、行の元のテーブルを示す追加の列を返します。

df_all = df1.merge(df2.drop_duplicates(), on=['col1','col2'], 
                   how='left', indicator=True)
df_all

   col1  col2     _merge
0     1    10       both
1     2    11       both
2     3    12       both
3     4    13  left_only
4     5    14  left_only
5     3    10  left_only

ブール条件を作成します。

df_all['_merge'] == 'left_only'

0    False
1    False
2    False
3     True
4     True
5     True
Name: _merge, dtype: bool

他の解決策が間違っている理由

いくつかの解決策は同じ間違いを犯します-それらは、各値が同じ行に一緒にではなく、各列に独立していることのみをチェックします。一意ですが、両方の列の値を持つ最後の行を追加df2すると、間違いが明らかになります。

common = df1.merge(df2,on=['col1','col2'])
(~df1.col1.isin(common.col1))&(~df1.col2.isin(common.col2))
0    False
1    False
2    False
3     True
4     True
5    False
dtype: bool

このソリューションは同じ間違った結果を取得します：

df1.isin(df2.to_dict('l')).all(1)

インデックスがデータフレームで一貫していると仮定します（実際のcol値は考慮していません）：

df1[~df1.index.isin(df2.index)]

すでに示唆したように、isinは列とインデックスが一致するために同じである必要があります。一致が行の内容のみに当てはまる場合、存在する行をフィルタリングするためのマスクを取得する1つの方法は、行を（マルチ）インデックスに変換することです。

In [77]: df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5, 3], 'col2' : [10, 11, 12, 13, 14, 10]})
In [78]: df2 = pandas.DataFrame(data = {'col1' : [1, 3, 4], 'col2' : [10, 12, 13]})
In [79]: df1.loc[~df1.set_index(list(df1.columns)).index.isin(df2.set_index(list(df2.columns)).index)]
Out[79]:
   col1  col2
1     2    11
4     5    14
5     3    10

インデックスを考慮する必要がある場合、set_indexには、既存のインデックスに列を追加するキーワード引数appendがあります。列が整列しない場合は、list（df.columns）を列指定で置き換えて、データを整列できます。

pandas.MultiIndex.from_tuples(df<N>.to_records(index = False).tolist())

代わりにインデックスを作成するために使用することもできますが、これがより効率的であるとは思えません。

2つのデータフレーム、df_1とdf_2に複数のフィールド（column_names）があり、df_2にないdf_1内のエントリのみをいくつかのフィールド（たとえば、fields_x、fields_y）に基づいて検索する場合は、次の手順に従います。

Step1。列key1とkey2をそれぞれdf_1とdf_2に追加します。

Step2。以下に示すようにデータフレームをマージします。field_xとfield_yが目的の列です。

Step3。df_1から、key1がkey2と等しくない行のみを選択します。

Step4。key1とkey2をドロップします。

この方法は問題を解決し、ビッグデータセットでも高速に動作します。1,000,000行を超えるデータフレームで試してみました。

df_1['key1'] = 1
df_2['key2'] = 1
df_1 = pd.merge(df_1, df_2, on=['field_x', 'field_y'], how = 'left')
df_1 = df_1[~(df_1.key2 == df_1.key1)]
df_1 = df_1.drop(['key1','key2'], axis=1)

少し遅れますが、pd.mergeの「インジケータ」パラメータを確認する価値があるかもしれません。

例については、この他の質問を参照してください： PandaS DataFrameを比較して、最初の行から欠落している行を返す

isin（dict）メソッドを使用してそれを行うことができます：

In [74]: df1[~df1.isin(df2.to_dict('l')).all(1)]
Out[74]:
   col1  col2
3     4    13
4     5    14

説明：

In [75]: df2.to_dict('l')
Out[75]: {'col1': [1, 2, 3], 'col2': [10, 11, 12]}

In [76]: df1.isin(df2.to_dict('l'))
Out[76]:
    col1   col2
0   True   True
1   True   True
2   True   True
3  False  False
4  False  False

In [77]: df1.isin(df2.to_dict('l')).all(1)
Out[77]:
0     True
1     True
2     True
3    False
4    False
dtype: bool

またCONCATことができdf1、df2：

x = pd.concat([df1, df2])

そして、すべての重複を削除します。

y = x.drop_duplicates(keep=False, inplace=False)

これはどう：

df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 
                               'col2' : [10, 11, 12, 13, 14]}) 
df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 
                               'col2' : [10, 11, 12]})
records_df2 = set([tuple(row) for row in df2.values])
in_df2_mask = np.array([tuple(row) in records_df2 for row in df1.values])
result = df1[~in_df2_mask]

これを解決する別の方法を次に示します。

df1[~df1.index.isin(df1.merge(df2, how='inner', on=['col1', 'col2']).index)]

または：

df1.loc[df1.index.difference(df1.merge(df2, how='inner', on=['col1', 'col2']).index)]

これを行う私の方法には、1つのデータフレームに固有の新しい列を追加し、これを使用してエントリを保持するかどうかを選択することが含まれます

df2[col3] = 1
df1 = pd.merge(df_1, df_2, on=['field_x', 'field_y'], how = 'outer')
df1['Empt'].fillna(0, inplace=True)

これにより、df1のすべてのエントリにコードがあります。df1に一意の場合は0、両方のデータフレームにある場合は1になります。次に、これを使用して必要なものに制限します

answer = nonuni[nonuni['Empt'] == 0]

df = df.merge(same.drop_duplicates(), on=['col1','col2'], 
               how='left', indicator=True)

df[df['_merge'] == 'left_only'].to_csv('output.csv')