# Kaip sujungti duomenų rėmus naudojant pandas merge() Naudodami pandas funkciją `DataFrame.merge()`, galite sujungti DataFrames naudodami raktus. Tai leidžia efektyviai sujungti duomenis iš įvairių šaltinių, todėl galite atlikti išsamesnes analizes. ## Kokia yra pandas `merge()` sintaksė? Python pandas DataFrame `merge()` metodas gali priimti įvairius parametrus, leidžiančius programuotojams nurodyti, kaip turėtų būti sujungiami DataFrames. Bendroji `merge()` funkcijos sintaksė yra tokia: ```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 Funkcija pandas `merge()` yra panaši į operaciją JOIN SQL. Turint patirties su reliacinėmis duomenų bazėmis, pvz., [SQL](https://www.ionos.com/lt-lt/digitalguide/serveris/zinios/kas-yra-sql/), gali būti lengviau suprasti, kaip veikia pandas DataFrame `merge()` metodas. Tačiau reikia nepamiršti, kad yra keletas skirtumų. Pandas, jei abiejų raktinių stulpelių reikšmės yra lygios *null*, šios reikšmės taip pat bus sujungtos. ### Kokie parametrai gali būti naudojami su pandas `merge`? `merge()` priimtini įvairūs parametrai leidžia ne tik nurodyti, kuriuos [pandas DataFrames](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-duomenu-remelis/) derinti, bet ir kokį jungimo tipą naudoti, taip pat kitus detales.
Parametras Aprašymas Numatytasis vertė
kairė Pirmasis sujungtinas duomenų rėmelis
dešinė Antrasis sujungtinas duomenų rėmelis
kaip Atliktino sujungimo operacijos tipas (`inner`, `outer`, `left`, `right`) `inner`
į Stulpeliai arba indeksų lygiai, kurie bus naudojami kaip raktiniai žodžiai; turi būti abiejuose DataFrame
left\_on Kairiojo DataFrame stulpelis (-iai) arba indeksų lygis (-iai), kuris (-ie) turėtų būti naudojamas (-i) kaip raktas (-ai)
right\_on Dešiniojo DataFrame stulpelis (-iai) arba indeksų lygis (-iai), kuris (-ie) turėtų būti naudojamas (-i) kaip raktas (-ai)
left\_index Jei `True`, kairiojo DataFrame indeksas naudojamas kaip raktas `False`
right\_index Jei `True`, kaip raktas naudojamas dešiniojo DataFrame indeksas. `False`
sort Jei `True`, gautų DataFrame raktų sąrašas surūšiuojamas leksikografine tvarka. `False`
suffixes Priesagos, naudojamos atskirti stulpelius su tuo pačiu pavadinimu. `("_x", "_y")`
kopija Jei `False`, kopijavimas išvengiamas `True`
## Kaip naudoti pandas `merge()` Toliau pateikiami keletas pavyzdžių, kurie padės suprasti, kaip efektyviai naudoti pandas `merge()`. ### `INNER JOIN` INNER JOIN sujungia du pandos DataFrames ir **grąžina tik tas eilutes, kurių raktų poros sutampa abiejuose DataFrames**. Norėdami geriau suprasti, kaip tai veikia, sukursime du 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) ``` Dvi gautos duomenų lentelės atrodo taip: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key Value2 0 B 4 1 C 5 2 D 6 ``` Dabar galime atlikti `INNER JOIN` naudodami `merge()` funkciją: ```python # INNER JOIN result = pd.merge(df1, df2, how='inner', on='Key') print(result) ``` Rezultatas rodo, kad į DataFrame įtrauktos tik eilutės, turinčios raktus B ir C. Taip yra todėl, kad šie du raktai yra **abiejuose pradiniuose DataFrame**. ```none Key Value1 Value2 0 B 2 4 1 C 3 5 ``` ### `OUTER JOIN` An `OUTER JOIN` taip pat sujungia du DataFrames, bet, skirtingai nei `INNER JOIN`, grąžina **visas eilutes** ir **trūkstamas reikšmes** užpildo **`NaN`.** ```python # OUTER JOIN result = pd.merge(df1, df2, how='outer', on='Key') print(result) ``` Toliau pateiktame duomenų rėmelio lentelėje yra **visos abiejų duomenų rėmelių eilutės**. `NaN` naudojamas trūkstamoms reikšmėms rakte A, kuris yra tik `df1`, ir rakte D, kuris yra tik `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 Kiti standartiniai `JOIN` variantai veikia panašiai. ### Naudojant `left_on` ir `right_on` Kartais dviejų duomenų rėmelių raktų stulpelių pavadinimai skiriasi. Tokiu atveju galite naudoti parametrus `left_on` ir `right_on`, kad nurodytumėte, kuriuos stulpelius naudoti. Pirmiausia sukursime du naujus duomenų rėmelius: ```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) ``` Abu duomenų rėmeliai atrodo taip: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key2 Value2 0 B 4 1 C 5 2 D 6 ``` Mes galime naudoti `left_on` ir `right_on` parametrus, kad atliktume `JOIN` operaciją naudodami skirtingus raktus: ```python # Join with different key column names result = pd.merge(df3, df4, how='inner', left_on='Key', right_on='Key2') print(result) ``` Aiškiai naudojant `left_on='Key'` ir `right_on='Key2'`, atitinkami raktiniai stulpeliai naudojami sujungimui. ```none Key Value1 Key2 Value2 0 B 2 B 4 1 C 3 C 5 ``` ### Indeksų naudojimas kaip raktų Taip pat galite naudoti **DataFrames indeksus kaip raktus**, nustatydami `left_index` ir `right_index` parametrus į `True`. Pirmiausia sukursime du naujus DataFrames su indeksais: ```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) ``` Čia yra duomenų rėmeliai: ```none Value1 A 1 B 2 C 3 Value2 B 4 C 5 D 6 ``` Dabar galime atlikti `JOIN` operaciją naudodami indeksus: ```python # JOIN with indices result = pd.merge(df5, df6, how='inner', left_index=True, right_index=True) print(result) ``` Rezultatas yra `JOIN`, kuris naudoja indeksus iš DataFrames: ```none Value1 Value2 B 2 4 C 3 5 ``` This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-sujungimas/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-sujungimas/) for AI/LLM consumption.