Объединение двух DataFrames с разными индексами столбцов и строк, обновляющими существующие значения - Pandas

Прежде всего, я сделаю пример результата, который я хочу получить. Изначально у меня есть два DataFrames с разными индексами столбцов и индексами строк и, в конечном итоге, с разными номерами строк и столбцов (даже если в приведенном ниже примере оба 3x3):

    Dataframe1 |     Dataframe2
    A   B   C  |      B   D   F
A   x   x   x  |  A   y   y   y
D   x   x   x  |  B   y   y   y
E   x   x   x  |  E   y   y   y

И я хочу следующий результат:

    Result
   A   B   C   D   F
A  x   y   x   y   y
B  -   y   -   y   y
D  x   x   x   -   -
E  x   y   x   y   y

Обратите внимание, что решение имеет следующие характеристики:

  • результирующий фрейм данных содержит все строки и столбцы как dataframe1, так и dataframe2
  • где значения перекрываются, dataframe2 обновляет dataframe1 (например, в позициях [BA] и [BE] результирующего фрейма данных, где в тех же позициях в dataframe1 было x, теперь есть y)
  • Там, где встречаются отсутствующие значения (здесь заменено тире -), вставляется значение по умолчанию (например, NaN)
  • Имена индексов сохраняются в таблице результатов (но сортировка по алфавиту не требуется)

Мои вопросы:

  • Возможно ли это сделать с пандами? Если да, то как? Я пробовал много разных вещей, но ни одна из них не работала на 100%, но, поскольку я очень новичок в пандах, я, возможно, не знаю, как это сделать правильно.
  • Если pandas не является правильным или самым простым способом сделать это, есть ли другой способ, который вы бы порекомендовали для этого (возможно, с использованием матриц, словарей,...)

Спасибо.

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
27
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

попробуй это:

data1 = {'A': {'A': 'x', 'D': 'x', 'E': 'x'},
         'B': {'A': 'x', 'D': 'x', 'E': 'x'},
         'C': {'A': 'x', 'D': 'x', 'E': 'x'}}
df1 = pd.DataFrame(data1)
print(df1)
>>>
    A   B   C
A   x   x   x
D   x   x   x
E   x   x   x

data2 = {'B': {'A': 'y', 'B': 'y', 'E': 'y'},
         'D': {'A': 'y', 'B': 'y', 'E': 'y'},
         'F': {'A': 'y', 'B': 'y', 'E': 'y'}}
df2 = pd.DataFrame(data2)
print(df2)
>>>
    B   D   F
A   y   y   y
B   y   y   y
E   y   y   y

res = df1.combine_first(df2)
print(res)
>>>
    A   B   C   D   F
A   x   y   x   y   y
B   NaN y   NaN y   y
D   x   x   x   NaN NaN
E   x   y   x   y   y

[ПОПРОБУЙТЕ ЭТО] Я пробовал, но не получилось. Я заметил, что если вы используете: df1.combine_first(df2), он сохраняет значения df1, а если вы делаете наоборот (df2.combine_first(df1)) он обновляет df1 с df2. Это работает таким образом, так что спасибо!

gianlucazani 22.03.2022 06:04

попробуй другой:

cols = df1.columns.append(df2.columns).unique().sort_values()
idx = df1.index.append(df2.index).unique().sort_values()
res = df1.reindex(index=idx, columns=cols)
res.update(df2)
print(res)
>>>
    A   B   C   D   F
A   x   y   x   y   y
B   NaN y   NaN y   y
D   x   x   x   NaN NaN
E   x   y   x   y   y

Другие вопросы по теме