熊猫“加入”古怪

Question

如果我尝试这个（有两个不同的pandas年份，一个在Python 2中，另一个在Python 3中）

import pandas as pd
x = pd.DataFrame({"id": [1, 2,3], "value1": [5,5,5]})
y = pd.DataFrame({"id": [1], "value2": [10]})

z1 = x.join(y, on = "id")
z2 = x.join(y, on = "id", lsuffix = "_left", rsuffix = "_right")
z3 = x.join(y, lsuffix = "_left", rsuffix = "_right")

第一个连接失败了ValueError，第二个没有破坏但y不匹配，只有第三个连接产生预期结果，即y的行匹配到x。

join的文件说

on：名称，元组/名称列表，或者类似于数组的列或索引级别名称，用于连接其他索引，否则加入index-on-index。如果给定多个值，则另一个DataFrame必须具有MultiIndex。如果数组尚未包含在调用DataFrame中，则可以将数组作为连接键传递。像Excel VLOOKUP操作一样。

这是（即z2会发生什么）一个错误，还是以某种方式有意义？

Answer 1

df.join(...)通常用于连接df的索引和另一个DataFrame的索引。

df.join(..., on='id')将id的df列与另一个DataFrame的索引连接起来。 Per the docs（我的重点）：

on：name，tuple / names of list或array-like

调用者中的列或索引级别名称，以加入其他索引，否则加入index-on-index。如果给定多个值，则另一个DataFrame必须具有MultiIndex。如果数组尚未包含在调用DataFrame中，则可以将数组作为连接键传递。像Excel VLOOKUP操作一样

由于x和y看起来像这样：

In [14]: x
Out[14]: 
   id  value1
0   1       5
1   2       5
2   3       5

In [15]: y
Out[15]: 
   id  value2
0   1      10

x.join(y, on='id')试图加入x['id']（价值1, 2, 3）与y.index（价值0）。由于x['id']和y.index没有共同的值，因此（默认情况下）左连接为连接生成的新y列中的值生成NaN。

---

z1 = x.join(y, on = "id")加注

ValueError: columns overlap but no suffix specified: Index(['id'], dtype='object')

因为连接产生的y列包括id，它已经是x列名。当列名重叠时，必须指定lsuffix，rsuffix或两者以消除列名称的歧义。

---

z2 = x.join(y, on = "id", lsuffix = "_left", rsuffix = "_right")回归

In [12]: z2
Out[12]: 
   id_left  value1  id_right  value2
0        1       5       NaN     NaN
1        2       5       NaN     NaN
2        3       5       NaN     NaN

因为常见的x和y-column（即id列）已被消除歧义。 NaN值是由于x['id']和y.index没有共同的值（如上所述）。

---

z3 = x.join(y, lsuffix = "_left", rsuffix = "_right")生产

In [20]: z3
Out[20]: 
   id_left  value1  id_right  value2
0        1       5       1.0    10.0
1        2       5       NaN     NaN
2        3       5       NaN     NaN

因为现在正在x.index和y.index上进行连接。