如何处理熊猫中重复的“唯一标识符”

Question

我有两个表，它们都包含一个称为帐户代码的标识符，但第一个表可以包含该帐户代码的多次出现，而另一个表只出现一次。我的表格最初来自 excel，因此将它们放入 Pandas 数据框后看起来像这样基础数据+-------+----------------+----------+| Name  | Account Number | $ Amount |+-------+----------------+----------+| Brett |           1234 | a        || Brett |           1234 | b        || Jill  |           2458 | c        || Peter |           1485 | d        |+-------+----------------+----------+licensee_fee+----------------+--------------+| Account Number | Licensee Fee |+----------------+--------------+|           1234 | x            ||           1485 | y            |+----------------+--------------+所以当我做base_data = pd.read_excel(filename, sheet_name=0, dytpe={"Account Number": "str"})licensee_fee = pd.read_excel(filename, sheet_name=1, dtype={"Account Number": "str"})# the first 2 columns contain irrelevant dataresult = pd.merge(base_date, licensee_fee.iloc[:,[2,3]], how="outer", on="Account Number")正如预期的那样我得到+-------+----------------+----------+--------------+| Name  | Account Number | $ Amount | Licensee Fee |+-------+----------------+----------+--------------+| Brett |           1234 | a        | x            || Brett |           1234 | b        | x            || Jill  |           2458 | c        | -            || Peter |           1485 | d        | y            |+-------+----------------+----------+--------------+但这在我需要的方面是不正确的。我真正想要的是它看起来像这样+-------+----------------+----------+--------------+| Name  | Account Number | $ Amount | Licensee Fee |+-------+----------------+----------+--------------+| Brett |           1234 | a        | x            || Brett |           1234 | b        | -            || Jill  |           2458 | c        | -            || Peter |           1485 | d        | y            |+-------+----------------+----------+--------------+被许可人费用只出现一次。我有一些代码来处理 NULL 值，所以这不是问题。

Answer 1

这是一个好问题，您可能需要先使用cumcount创建帮助merge密钥，这将确保费用项目一旦使用，就不会再次使用。

base['helpkey']=base.groupby('AccountNumber').cumcount()

fee['helpkey']=fee.groupby('AccountNumber').cumcount()

yourdf=base.merge(fee,on=['AccountNumber','helpkey'],how='left').drop('helpkey',1)

yourdf

    Name  AccountNumber $Amount LicenseeFee

0  Brett           1234       a           x

1  Brett           1234       b         NaN

2   Jill           2458       c         NaN

3  Peter           1485       d           y   

Answer 2

您可以先合并，然后在处理 NaN 之后：

In [11]: res = df.merge(df1, how='outer')

In [12]: res

Out[12]:

    Name  Account Number $Amount Licensee Fee

0  Brett            1234       a            x

1  Brett            1234       b            x

2   Jill            2458       c          NaN

3  Peter            1485       d            y

In [13]: res.loc[res.groupby("Account Number").cumcount() > 0, "Licensee Fee"] = np.nan

In [14]: res

Out[14]:

    Name  Account Number $Amount Licensee Fee

0  Brett            1234       a            x

1  Brett            1234       b          NaN

2   Jill            2458       c          NaN

3  Peter            1485       d            y