# Πώς να συγχωνεύσετε DataFrames με την εντολή pandas merge() Με τη συνάρτηση pandas `DataFrame.merge()`, μπορείτε να συνδυάσετε DataFrames χρησιμοποιώντας κλειδιά. Αυτό σας επιτρέπει να συνδυάσετε αποτελεσματικά δεδομένα από διάφορες πηγές, δίνοντάς σας τη δυνατότητα να πραγματοποιήσετε πιο ολοκληρωμένες αναλύσεις. ## Ποια είναι η σύνταξη για το pandas `merge()`; Η μέθοδος DataFrame `merge()` της Python pandas μπορεί να δεχτεί μια σειρά διαφορετικών παραμέτρων, επιτρέποντας στους προγραμματιστές να καθορίσουν τον τρόπο συνδυασμού των DataFrames. Η γενική σύνταξη της συνάρτησης `merge()` έχει ως εξής: ```python DataFrame.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) ``` Note Η συνάρτηση pandas `merge()` είναι παρόμοια με τη λειτουργία JOIN στη γλώσσα SQL. Η εμπειρία με σχεσιακές βάσεις δεδομένων όπως [η SQL](https://www.ionos.com/el-gr/digitalguide/diakomistis/technognosia/ti-einai-to-sql/) μπορεί να διευκολύνει την κατανόηση του τρόπου λειτουργίας της μεθόδου pandas DataFrame `merge()`. Ωστόσο, πρέπει να έχετε υπόψη σας ότι υπάρχουν ορισμένες διαφορές. Στο pandas, εάν και οι δύο στήλες κλειδιών έχουν τιμές που αξιολογούνται ως *null*, αυτές οι τιμές θα συγχωνευθούν επίσης. ### Ποιες παράμετροι μπορούν να χρησιμοποιηθούν με το pandas `merge`; Οι διάφορες παράμετροι που δέχεται `merge()` σας επιτρέπουν όχι μόνο να καθορίσετε ποια [DataFrames pandas](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe/) θα συνδυάσετε, αλλά και τον τύπο σύνδεσης που θα χρησιμοποιήσετε, καθώς και άλλες λεπτομέρειες.
Παράμετρος Περιγραφή Προεπιλεγμένη τιμή
αριστερά Το πρώτο DataFrame που θα συγχωνευθεί
δεξιά Το δεύτερο DataFrame που θα συγχωνευθεί
πώς Ο τύπος της συνένωσης που θα εκτελεστεί (`inner`, `outer`, `left`, `right`) `inner`
σε Η στήλη ή οι στήλες ή τα επίπεδα ευρετηρίου που θα χρησιμοποιηθούν ως κλειδιά. Πρέπει να υπάρχουν και στα δύο DataFrames.
left\_on Η στήλη ή οι στήλες ή τα επίπεδα ευρετηρίου του αριστερού DataFrame που πρέπει να χρησιμοποιηθούν ως κλειδιά
right\_on Η στήλη ή οι στήλες ή τα επίπεδα ευρετηρίου του δεξιού DataFrame που πρέπει να χρησιμοποιηθούν ως κλειδιά
left\_index Εάν είναι `True`, ο δείκτης του αριστερού DataFrame χρησιμοποιείται ως κλειδί `False`
right\_index Εάν είναι `True`, ο δείκτης του δεξιού DataFrame χρησιμοποιείται ως κλειδί. `False`
sort Εάν `True`, τα κλειδιά του DataFrame που προκύπτει ταξινομούνται λεξικογραφικά. `False`
επιθήματα Επιθήματα που χρησιμοποιούνται για τη διάκριση στηλών με το ίδιο όνομα. `("_x", "_y")`
αντίγραφο Εάν `False`, αποφεύγεται η αντιγραφή `True`
## Πώς να χρησιμοποιήσετε το pandas `merge()` Ακολουθούν μερικά παραδείγματα που θα σας βοηθήσουν να κατανοήσετε πώς να χρησιμοποιείτε αποτελεσματικά το pandas `merge()`. ### `INNER JOIN` Ένα INNER JOIN συνδυάζει δύο DataFrames pandas και **επιστρέφει μόνο τις σειρές όπου τα κλειδιά ταιριάζουν και στα δύο DataFrames**. Για να κατανοήσουμε καλύτερα πώς λειτουργεί αυτό, ας δημιουργήσουμε δύο DataFrames: ```python import pandas as pd # Sample DataFrames df1 = pd.DataFrame({ 'Key': ['A', 'B', 'C'], 'Value1': [1, 2, 3] }) df2 = pd.DataFrame({ 'Key': ['B', 'C', 'D'], 'Value2': [4, 5, 6] }) print(df1) print(df2) ``` Τα δύο DataFrames που προκύπτουν έχουν την εξής μορφή: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key Value2 0 B 4 1 C 5 2 D 6 ``` Τώρα, μπορούμε να εκτελέσουμε ένα `INNER JOIN` χρησιμοποιώντας τη συνάρτηση `merge()`: ```python # INNER JOIN result = pd.merge(df1, df2, how='inner', on='Key') print(result) ``` Το αποτέλεσμα δείχνει ότι μόνο οι σειρές που έχουν τα κλειδιά B και C περιλαμβάνονται στο DataFrame. Αυτό συμβαίνει επειδή αυτά τα δύο κλειδιά υπάρχουν **και στα δύο αρχικά DataFrames**. ```none Key Value1 Value2 0 B 2 4 1 C 3 5 ``` ### `OUTER JOIN` Το `OUTER JOIN` επίσης συγχωνεύει δύο DataFrames, αλλά σε αντίθεση με `INNER JOIN`, επιστρέφει **όλες τις σειρές** και συμπληρώνει **τις ελλείπουσες τιμές με `NaN`**. ```python # OUTER JOIN result = pd.merge(df1, df2, how='outer', on='Key') print(result) ``` Το παρακάτω DataFrame περιλαμβάνει **όλες τις σειρές και από τα δύο DataFrames**. `NaN` χρησιμοποιείται για τις ελλείπουσες τιμές στο κλειδί A, το οποίο υπάρχει μόνο στο `df1`, και στο κλειδί D, το οποίο υπάρχει μόνο στο `df2`. ```none Key Value1 Value2 0 A 1.0 NaN 1 B 2.0 4.0 2 C 3.0 5.0 3 D NaN 6.0 ``` Note Οι άλλες τυπικές παραλλαγές του `JOIN` λειτουργούν με παρόμοιο τρόπο. ### Χρήση `left_on` και `right_on` Μερικές φορές, δύο DataFrames έχουν διαφορετικά ονόματα στηλών για τα κλειδιά τους. Σε αυτή την περίπτωση, μπορείτε να χρησιμοποιήσετε τις παραμέτρους `left_on` και `right_on` για να καθορίσετε ποιες στήλες θα χρησιμοποιηθούν. Αρχικά, ας δημιουργήσουμε δύο νέα DataFrames: ```python df3 = pd.DataFrame({ 'Key': ['A', 'B', 'C'], 'Value1': [1, 2, 3] }) df4 = pd.DataFrame({ 'Key2': ['B', 'C', 'D'], 'Value2': [4, 5, 6] }) print(df3) print(df4) ``` Τα δύο DataFrames έχουν την εξής μορφή: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key2 Value2 0 B 4 1 C 5 2 D 6 ``` Μπορούμε να χρησιμοποιήσουμε τις παραμέτρους `left_on` και `right_on` για να εκτελέσουμε τη λειτουργία `JOIN` χρησιμοποιώντας διαφορετικά κλειδιά: ```python # Join with different key column names result = pd.merge(df3, df4, how='inner', left_on='Key', right_on='Key2') print(result) ``` Με τη ρητή χρήση `left_on='Key'` και `right_on='Key2'`, οι αντίστοιχες στήλες κλειδιών χρησιμοποιούνται για τη συγχώνευση. ```none Key Value1 Key2 Value2 0 B 2 B 4 1 C 3 C 5 ``` ### Χρήση δεικτών ως κλειδιών Μπορείτε επίσης να χρησιμοποιήσετε τους **δείκτες των DataFrames ως κλειδιά**, ορίζοντας τις παραμέτρους `left_index` και `right_index` σε `True`. Αρχικά, ας δημιουργήσουμε δύο νέα DataFrames με δείκτες: ```python df5 = pd.DataFrame({ 'Value1': [1, 2, 3] }, index=['A', 'B', 'C']) df6 = pd.DataFrame({ 'Value2': [4, 5, 6] }, index=['B', 'C', 'D']) print(df5) print(df6) ``` Ακολουθούν τα DataFrames: ```none Value1 A 1 B 2 C 3 Value2 B 4 C 5 D 6 ``` Τώρα, μπορούμε να εκτελέσουμε μια λειτουργία `JOIN` χρησιμοποιώντας τους δείκτες: ```python # JOIN with indices result = pd.merge(df5, df6, how='inner', left_index=True, right_index=True) print(result) ``` Το αποτέλεσμα είναι ένα `JOIN` που χρησιμοποιεί τους δείκτες από τα DataFrames: ```none Value1 Value2 B 2 4 C 3 5 ``` This is a markdown version of: [https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-sygchoneysi-dataframe/](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-sygchoneysi-dataframe/) for AI/LLM consumption.