# Kā apvienot DataFrames ar pandas merge() Ar pandas funkciju `DataFrame.merge()` varat apvienot DataFrames, izmantojot atslēgas. Tas ļauj efektīvi apvienot datus no dažādiem avotiem, dodot iespēju veikt visaptverošākas analīzes. ## Kāda ir pandas `merge()` sintakse? Python pandas DataFrame `merge()` metode var pieņemt virkni dažādu parametru, ļaujot izstrādātājiem norādīt, kā DataFrames jākombinē. `merge()` funkcijas vispārīgā sintakse ir šāda: ```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 Pandas `merge()` funkcija ir līdzīga JOIN operācijai SQL. Pieredze ar relatīvajām datu bāzēm, piemēram, [SQL](https://www.ionos.com/lv-lv/digitalguide/serveris/prasmes-un-zinasanas/kas-ir-sql/), var atvieglot pandas DataFrame `merge()` metodes darbības izpratni. Tomēr jāpatur prātā, ka pastāv dažas atšķirības. Pandas, ja abām atslēgas kolonnām ir vērtības, kas novērtētas kā *null*, šīs vērtības arī tiks apvienotas. ### Kādus parametrus var izmantot ar pandas `merge`? Dažādie parametri, ko pieņem `merge()`, ļauj ne tikai norādīt, kurus [pandas DataFrames](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe/) apvienot, bet arī, kādu savienojuma veidu izmantot, kā arī citas detaļas.
Parametrs Apraksts Noklusējuma vērtība
kreisais Pirmais apvienojamais DataFrame
labais Otrais apvienojamais DataFrame
kā Veicamā apvienošanas operācijas veids (`inner`, `outer`, `left`, `right`) `inner`
uz Kolonna(-as) vai indeksa līmenis(-i), kas jāizmanto kā atslēgas; jābūt abos DataFrame
left\_on Kolonna(-as) vai indeksa līmenis(-i) kreisajā DataFrame, kas jāizmanto kā atslēga(-as)
labais\_uz Labās DataFrame kolonna(-as) vai indeksa līmenis(-i), kas jāizmanto kā atslēga(-as)
left\_index Ja `True`, kā atslēga tiek izmantots kreisā DataFrame indekss `False`
labais\_indekss Ja `True`, kā atslēga tiek izmantots labās DataFrame indekss. `False`
sort Ja `True`, rezultātā iegūto DataFrame atslēgas tiek šķirotas leksikogrāfiski. `False`
suffixes Piedēkļi, kas tiek izmantoti, lai atšķirtu kolonnas ar vienādu nosaukumu `("_x", "_y")`
kopija Ja `False`, kopēšana netiek veikta `True`
## Kā lietot pandas `merge()` Zemāk ir daži piemēri, kas palīdz ilustrēt, kā efektīvi izmantot pandas `merge()`. ### `INNER JOIN` INNER JOIN apvieno divus pandas DataFrames un **atgriež tikai rindas, kurās atslēgas abos DataFrames saskan**. Lai labāk izprastu, kā tas darbojas, izveidosim divus 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) ``` Abos rezultātā iegūtajos DataFrames izskatās šādi: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key Value2 0 B 4 1 C 5 2 D 6 ``` Tagad mēs varam veikt `INNER JOIN`, izmantojot `merge()` funkciju: ```python # INNER JOIN result = pd.merge(df1, df2, how='inner', on='Key') print(result) ``` Rezultāts parāda, ka DataFrame ir iekļautas tikai rindas, kurām ir atslēgas B un C. Tas ir tāpēc, ka šīs divas atslēgas ir **abās sākotnējās DataFrame**. ```none Key Value1 Value2 0 B 2 4 1 C 3 5 ``` ### `OUTER JOIN` An `OUTER JOIN` arī apvieno divus DataFrames, bet atšķirībā no `INNER JOIN`, tas atgriež **visas rindas** un aizpilda **trūkstošās vērtības ar `NaN`**. ```python # OUTER JOIN result = pd.merge(df1, df2, how='outer', on='Key') print(result) ``` Zemāk redzamajā DataFrame ir iekļautas **visas rindas no abiem DataFrame**. `NaN` tiek izmantots trūkstošajām vērtībām atslēgā A, kas ir tikai `df1`, un atslēgā D, kas ir tikai `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 Pārējie standarta varianti `JOIN` darbojas līdzīgi. ### Izmantojot `left_on` un `right_on` Dažreiz diviem DataFrames ir atšķirīgi kolonnu nosaukumi to atslēgām. Šādā gadījumā varat izmantot `left_on` un `right_on` parametrus, lai norādītu, kuras kolonnu izmantot. Vispirms izveidosim divus jaunus 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) ``` Abas DataFrames izskatās šādi: ```none Key Value1 0 A 1 1 B 2 2 C 3 Key2 Value2 0 B 4 1 C 5 2 D 6 ``` Mēs varam izmantot `left_on` un `right_on` parametrus, lai veiktu `JOIN` operāciju, izmantojot dažādas taustiņus: ```python # Join with different key column names result = pd.merge(df3, df4, how='inner', left_on='Key', right_on='Key2') print(result) ``` Izmantojot `left_on='Key'` un `right_on='Key2'`, apvienošanai tiek izmantotas atbilstošās atslēgas kolonnas. ```none Key Value1 Key2 Value2 0 B 2 B 4 1 C 3 C 5 ``` ### Indeksu izmantošana kā atslēgas Jūs varat arī izmantot **DataFrames indeksus kā atslēgas**, iestatot `left_index` un `right_index` parametrus uz `True`. Vispirms izveidosim divus jaunus DataFrames ar indeksiem: ```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) ``` Šeit ir datu rāmji: ```none Value1 A 1 B 2 C 3 Value2 B 4 C 5 D 6 ``` Tagad mēs varam veikt `JOIN` operācijas, izmantojot indeksus: ```python # JOIN with indices result = pd.merge(df5, df6, how='inner', left_index=True, right_index=True) print(result) ``` Rezultāts ir `JOIN`, kas izmanto indeksus no DataFrames: ```none Value1 Value2 B 2 4 C 3 5 ``` This is a markdown version of: [https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-apvienosana/](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-apvienosana/) for AI/LLM consumption.