# Kuidas ühendada DataFrames pandas merge() abil Funktsiooni pandas `DataFrame.merge()` abil saate kombineerida DataFrames’i võtmeid kasutades. See võimaldab teil tõhusalt kombineerida erinevatest allikatest pärit andmeid, mis võimaldab teil teha põhjalikumaid analüüse. ## Mis on pandas `merge()` süntaks? Python pandas DataFrame `merge()` meetod võtab vastu mitmesuguseid parameetreid, mis võimaldab arendajatel määrata, kuidas DataFrames’i tuleks kombineerida. `merge()` funktsiooni üldine süntaks on järgmine: ```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 Funktsioon pandas `merge()` on sarnane SQL-i operatsiooniga JOIN. Kogemus relatsiooniliste andmebaasidega, nagu [SQL](https://www.ionos.com/et-ee/digitalguide/server/oskusteave/mis-on-sql/), võib aidata paremini mõista, kuidas toimib pandas DataFrame `merge()` meetod. Siiski tuleb meeles pidada, et on ka mõned erinevused. Pandas’es, kui mõlema võtmeveeru väärtused on *null*, ühendatakse ka need väärtused. ### Milliseid parameetreid saab kasutada pandas `merge`-ga? `merge()` poolt aktsepteeritavad erinevad parameetrid võimaldavad teil määrata mitte ainult, millised [pandas DataFrames’id](https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe/) ühendada, vaid ka millist liitmist kasutada, samuti muid detaile.
Parameeter Kirjeldus Vaikimisi väärtus
vasak Esimene ühendatav andmeraamistik
parem Teine ühendatav andmestik
kuidas Teostatava ühendamise tüüp (`inner`, `outer`, `left`, `right`) `inner`
on Võtmetena kasutatavad veerud või indeksitasemed; peavad olema olemas mõlemas DataFrame’is
vasakul Vasaku DataFrame’i veerg(ud) või indeksitasand(id), mida tuleks kasutada võtmena
right\_on Parempoolse DataFrame’i veerg(ud) või indeksitasand(id), mida tuleks kasutada võtmena
left\_index Kui `True`, kasutatakse vasaku DataFrame’i indeksit võtmena `False`
right\_index Kui `True`, kasutatakse parempoolse DataFrame’i indeksit võtmena. `False`
sort Kui `True`, sorteeritakse tulemusliku DataFrame’i võtmed leksikograafiliselt. `False`
sufiksid Sufiksid, mida kasutatakse sama nimega veergude eristamiseks. `("_x", "_y")`
kopeerimine Kui `False`, siis koopiat ei tehta `True`
## Kuidas kasutada pandas `merge()` Allpool on toodud mõned näited, mis aitavad illustreerida, kuidas pandas `merge()` efektiivselt kasutada. ### `INNER JOIN` INNER JOIN ühendab kaks pandas DataFrames’i ja **tagastab ainult need read, mille võtmed mõlemas DataFrames’is ühtivad**. Et paremini mõista, kuidas see toimib, loome kaks DataFrames’i: ```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) ``` Kaks tulemuseks saadud andmestruktuuri näevad välja järgmised: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key Value2 0 B 4 1 C 5 2 D 6 ``` Nüüd saame teha `INNER JOIN`, kasutades funktsiooni `merge()`: ```python # INNER JOIN result = pd.merge(df1, df2, how='inner', on='Key') print(result) ``` Väljund näitab, et ainult read, millel on võtmed B ja C, on lisatud DataFrame’i. Seda seetõttu, et need kaks võtit on olemas **mõlemas algses DataFrame’is**. ```none Key Value1 Value2 0 B 2 4 1 C 3 5 ``` ### `OUTER JOIN` An `OUTER JOIN` ühendab samuti kaks DataFrame’i, kuid erinevalt `INNER JOIN` tagastab see **kõik read** ja täidab **puuduvad väärtused `NaN`ga**. ```python # OUTER JOIN result = pd.merge(df1, df2, how='outer', on='Key') print(result) ``` Allpool olev DataFrame sisaldab **mõlema DataFrame’i kõiki ridu**. `NaN` kasutatakse puuduvate väärtuste jaoks võtmes A, mis on ainult `df1`, ja võtmes D, mis on ainult `df2`-s. ```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 Teised `JOIN` standardvariandid töötavad sarnaselt. ### Kasutades `left_on` ja `right_on` Mõnikord on kahel DataFrame’il erinevad veerunimed võtmetena. Sel juhul saate kasutada parameetreid `left_on` ja `right_on`, et määrata, milliseid veerge kasutada. Esmalt loome kaks uut DataFrame’i: ```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) ``` Kaks DataFrame’i näevad välja järgmised: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key2 Value2 0 B 4 1 C 5 2 D 6 ``` Me saame kasutada parameetreid `left_on` ja `right_on`, et teostada operatsiooni `JOIN` erinevate võtmete abil: ```python # Join with different key column names result = pd.merge(df3, df4, how='inner', left_on='Key', right_on='Key2') print(result) ``` Selgesõnaliselt kasutades `left_on='Key'` ja `right_on='Key2'`, kasutatakse vastavaid võtmeveerge ühendamiseks. ```none Key Value1 Key2 Value2 0 B 2 B 4 1 C 3 C 5 ``` ### Indeksite kasutamine võtmetena Võite kasutada ka **DataFrames’i indeksite võtmeid,** seadistades parameetrid `left_index` ja `right_index` väärtusele `True`. Esmalt loome kaks uut DataFrames’i indeksitega: ```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) ``` Siin on andmestruktuurid: ```none Value1 A 1 B 2 C 3 Value2 B 4 C 5 D 6 ``` Nüüd saame indeksite abil teha `JOIN` operatsiooni: ```python # JOIN with indices result = pd.merge(df5, df6, how='inner', left_index=True, right_index=True) print(result) ``` Tulemuseks on `JOIN`, mis kasutab DataFrames’i indekseid: ```none Value1 Value2 B 2 4 C 3 5 ``` This is a markdown version of: [https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-uehendamine/](https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-uehendamine/) for AI/LLM consumption.