Pandas使用Merge與Join和Concat分別進行合並數據效率對比分析

Posted on by

在 Pandas 中有很多種方法可以進行dataframe(數據框)的合並。

本文將研究這些不同的方法，以及如何將它們執行速度的對比。

合並DF

Pandas 使用 .merge() 方法來執行合並。

import pandas as pd  
# a dictionary to convert to a dataframe
data1 = {'identification': ['a', 'b', 'c', 'd'],
      'Customer_Name':['King', 'West', 'Adams', 'Mercy'],         'Category':['furniture', 'Office Supplies', 'Technology', 'R_materials'],}  
# our second dictionary to convert to a dataframe  
data2 = {'identification': ['a', 'b', 'c', 'd'],
      'Class':['First_Class', 'Second_Class', 'Same_day', 'Standard Class'],  
      'Age':[60, 30, 40, 50]}  
# Convert the dictionary into DataFrame  
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

運行我們的代碼後，有兩個 DataFrame，如下所示。

identification Customer_Name         Category
0             a         King       furniture
1             b         West Office Supplies
2             c         Adams       Technology
3             d         Mercy     R_materials  
 
identification           Class Age
0             a     First_Class   60
1             b   Second_Class   30
2             c       Same_day   40
3             d Standard Class   50

使用 merge() 函數進一步合並。

import pandas as pd
df1=...
df2=...
x= pd. merge( df1,df2,
left_on = "df1_col1",
right_on = "df2_col1" )
# using .merge() function  
new_data = pd.merge(df1, df2, on='identification')

這產生瞭下面的新數據；

identification Customer_Name Category     Class           Age
0     a           King         furniture     First_Class     60
1     b           West         Office Supplies Second_Class   30
2     c           Adams         Technology     Same_day     40
3     d           Mercy         R_materials Standard Class   50

.join() 方法也可以將不同索引的 DataFrame 組合成一個新的 DataFrame。我們可以使用參數‘on’參數指定根據哪列進行合並。

import pandas as pd
df1 = ...
df2 = ...
df1.set_index ( "df1_col1", inplace = True)
df2.set_index ( "df2_col1", inplace = True)
x=df1.join( df2)

讓我們看看下面的例子，我們如何將單索引 DataFrame 與多索引 DataFrame 連接起來；

import pandas as pd  
# a dictionary to convert to a dataframe
data1 = {
      'Customer_Name':['King', 'West', 'Adams'],  
    'Category':['furniture', 'Office Supplies', 'Technology'],} 7    
# our second dictionary to convert to a dataframe  
data2 = {
      'Class':['First_Class', 'Second_Class', 'Same_day', 'Standard Class'],  
    'Age':[60, 30, 40, 50]}  
# Convert the dictionary into DataFrame  
Ndata = pd.DataFrame(data1, index=pd.Index(['a', 'b', 'c'], name='identification'))
index = pd.MultiIndex.from_tuples([('a', 'x0'), ('b', 'x1'),
                                ('c', 'x2'), ('c', 'x3')],
                                names=['identification', 'x']) 19  
# Convert the dictionary into DataFrame  
Ndata2 = pd.DataFrame(data2, index= index)
print(Ndata, "\n\n", Ndata2)
# joining singly indexed with
# multi indexed
result = Ndata.join(Ndata2, how='inner')

我們的結果如下所示；

       Customer_Name       Category     Class       Age
identification x                                                     3 a         x0       King       furniture     First_Class     60
b         x1       West     Office Supplies   Second_Class   30
c         x2       Adams       Technology       Same_day     40
        x3       Adams       Technology Standard Class     50

連接DF

Pandas 中concat() 方法在可以在垂直方向（axis=0）和水平方向（axis=1）上連接 DataFrame。我們還可以一次連接兩個以上的 DataFrame 或 Series。

讓我們看一個如何在 Pandas 中執行連接的示例；

import pandas as pd  
# a dictionary to convert to a dataframe
data1 = {'identification': ['a', 'b', 'c', 'd'],
      'Customer_Name':['King', 'West', 'Adams', 'Mercy'],  
      'Category':['furniture', 'Office Supplies', 'Technology', 'R_materials'],}  
# our second dictionary to convert to a dataframe  
data2 = {'identification': ['a', 'b', 'c', 'd'],
      'Class':['First_Class', 'Second_Class', 'Same_day', 'Standard Class'],  
      'Age':[60, 30, 40, 50]}  
# Convert the dictionary into DataFrame  
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)  
#perform concatenation here based on horizontal axis
new_data = pd.concat([df1, df2], axis=1)
print(new_data)

這樣就獲得瞭新的 DataFrame ：

identification Customer_Name         Category identification \
0             a         King       furniture             a   3 1             b         West Office Supplies             b   4 2             c         Adams       Technology             c   5 3             d         Mercy     R_materials             d    
        Class       Age  
0     First_Class   60  
1   Second_Class   30  
2       Same_day   40  
3 Standard Class   50

Merge和Join的效率對比

Pandas 中的Merge Joins操作都可以針對指定的列進行合並操作（SQL中的join）那麼他們的執行效率是否相同呢？下面我們來進行一下測。

兩個 DataFrame 都有相同數量的行和兩列，實驗中考慮瞭從 100 萬行到 1000 萬行的不同大小的 DataFrame，並在每次實驗中將行數增加瞭 100 萬。我對固定數量的行重復瞭十次實驗，以消除任何隨機性。下面是這十次試驗中合並操作的平均運行時間。

上圖描繪瞭操作所花費的時間（以毫秒為單位）。

正如我們從圖中看到的，運行時間存在顯著差異——最多相差 5 倍。隨著 DataFrame 大小的增加，運行時間之間的差異也會增加。兩個 JOIN 操作幾乎都隨著 DataFrame 的大小線性增加。但是，Join的運行時間增加的速度遠低於Merge。

如果需要處理大量數據，還是請使用join()進行操作。

到此這篇關於Pandas使用Merge與Join和Concat分別進行合並數據效率對比分析的文章就介紹到這瞭,更多相關Pandas合並數據效率內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：