在Pandas中按区域连接/合并的最佳方式

Question

我经常使用pandas通过范围条件进行合并（join）。

例如，如果有2个数据帧：

A（A_id，A_值）

B（B_id，B_low，B_high，B_name）

它们很大，大小大致相同（假设每个都有2百万条记录）。

我想在A和B之间建立一个内部连接，所以A值应该在B低和B高之间。

使用的SQL语法将是：

SELECT *
FROM A,B
WHERE A_value between B_low and B_high

这将是非常容易，短期和有效的。

同时，在pandas中，唯一的方法（这不是使用我找到的循环）是在两个表中创建一个虚拟列，对其进行连接（相当于交叉连接），然后过滤掉不需要的行。听起来既沉重又复杂：

A['dummy'] = 1
B['dummy'] = 1
Temp = pd.merge(A,B,on='dummy')
Result = Temp[Temp.A_value.between(Temp.B_low,Temp.B_high)]

我的另一个解决方案是通过使用B[(x>=B.B_low) & (x<=B.B_high)]掩码对B上的每个值应用一个搜索函数，但听起来效率也很低，可能需要索引优化。

是否有更优雅和/或更有效的方法来执行此操作？

Answer 1

我不知道它有多高效，但有人编写了一个包装器，允许您对pandas对象使用SQL语法。那叫pandasql。文档明确声明支持连接。这可能至少更容易阅读，因为SQL语法非常可读。

Answer 2

设置 考虑数据帧A和B

A = pd.DataFrame(dict(
        A_id=range(10),
        A_value=range(5, 105, 10)
    ))
B = pd.DataFrame(dict(
        B_id=range(5),
        B_low=[0, 30, 30, 46, 84],
        B_high=[10, 40, 50, 54, 84]
    ))

A

   A_id  A_value
0     0        5
1     1       15
2     2       25
3     3       35
4     4       45
5     5       55
6     6       65
7     7       75
8     8       85
9     9       95

B

   B_high  B_id  B_low
0      10     0      0
1      40     1     30
2      50     2     30
3      54     3     46
4      84     4     84

---

numpy
✌最简单的✌方法是使用numpy广播。
我们寻找A_value大于或等于B_low的每个实例，同时A_value小于或等于B_high。

a = A.A_value.values
bh = B.B_high.values
bl = B.B_low.values

i, j = np.where((a[:, None] >= bl) & (a[:, None] <= bh))

pd.DataFrame(
    np.column_stack([A.values[i], B.values[j]]),
    columns=A.columns.append(B.columns)
)

   A_id  A_value  B_high  B_id  B_low
0     0        5      10     0      0
1     3       35      40     1     30
2     3       35      50     2     30
3     4       45      50     2     30

---

为了处理注释并给出类似于左连接的内容，我附加了A中不匹配的部分。

pd.DataFrame(
    np.column_stack([A.values[i], B.values[j]]),
    columns=A.columns.append(B.columns)
).append(
    A[~np.in1d(np.arange(len(A)), np.unique(i))],
    ignore_index=True, sort=False
)

    A_id  A_value  B_id  B_low  B_high
0      0        5   0.0    0.0    10.0
1      3       35   1.0   30.0    40.0
2      3       35   2.0   30.0    50.0
3      4       45   2.0   30.0    50.0
4      1       15   NaN    NaN     NaN
5      2       25   NaN    NaN     NaN
6      5       55   NaN    NaN     NaN
7      6       65   NaN    NaN     NaN
8      7       75   NaN    NaN     NaN
9      8       85   NaN    NaN     NaN
10     9       95   NaN    NaN     NaN

Answer 3

不确定这是否更有效，但是您可以直接使用sql（例如，来自模块sqlite3）和pandas（灵感来自this question），比如：

conn = sqlite3.connect(":memory:") 
df2 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1 = pd.DataFrame(np.random.randn(10, 5), columns=["col1", "col2", "col3", "col4", "col5"])
df1.to_sql("df1", conn, index=False)
df2.to_sql("df2", conn, index=False)
qry = "SELECT * FROM df1, df2 WHERE df1.col1 > 0 and df1.col1<0.5"
tt = pd.read_sql_query(qry,conn)

您可以根据应用程序的需要调整查询