Pandas DataFrame差异行识别与来源追踪教程

识别DataFrame差异行及其来源

在数据分析和数据清洗过程中，我们经常需要比较两个结构相似的Pandas DataFrame，找出它们之间的差异，并了解这些差异行分别来自哪个原始DataFrame。例如，比较当前估计数据与历史估计数据，以识别发生变化的条目。Pandas提供了强大的合并（merge）功能，结合特定的参数，可以高效地完成这项任务。

核心方法：外连接与指示器

要识别两个DataFrame的差异行并追踪其来源，最有效的方法是使用pd.merge函数进行outer（外连接）操作，并设置indicator=True参数。

• how='outer': 外连接会保留左侧DataFrame中独有的行、右侧DataFrame中独有的行，以及两个DataFrame中都存在的匹配行。
• indicator=True: 当设置为True时，pd.merge会在结果DataFrame中添加一个名为_merge的特殊列。这个列会指示每行是来源于左侧DataFrame（left_only）、右侧DataFrame（right_only），还是同时来源于两个DataFrame（both）。

通过过滤_merge列，我们可以轻松地提取出差异行（即_merge不等于'both'的行），并直接获取它们的来源信息。

示例：识别并标记差异行

假设我们有两个DataFrame，df_current_est（当前估计）和df_previous_est（先前估计），它们可能包含相同的列，我们希望找出两者之间不同的行，并标记这些行来自哪个原始DataFrame。

import pandas as pd

# 示例数据
df_current_est = pd.DataFrame({
    'EstimateID': [10061, 10062, 10063],
    'Season': [2023, 2023, 2023],
    'RPIN': ['R1000', 'R2000', 'R3000'],
    'GrowMethodCode': ['FO', 'FO', 'FO'],
    'Variety_code': ['002', '068', '001'],
    'Packout_pc': [0.60, 0.76, 0.80],
    'QtyBins': [320, 1000, 500]
})

df_previous_est = pd.DataFrame({
    'EstimateID': [10061, 10062, 10064],
    'Season': [2023, 2023, 2023],
    'RPIN': ['R1000', 'R2000', 'R4000'],
    'GrowMethodCode': ['FO', 'FO', 'FO'],
    'Variety_code': ['002', '068', '003'],
    'Packout_pc': [0.60, 0.76, 0.90],
    'QtyBins': [9000, 90000, 600] # 注意 QtyBins 差异
})

# 执行外连接并添加指示器
merged_df = pd.merge(df_current_est, df_previous_est, how='outer', indicator=True)

# 筛选出差异行（_merge不为'both'的行）
changed_df = merged_df[merged_df['_merge'] != 'both'].copy()

# 对结果进行排序以便观察
changed_df = changed_df.sort_values(by=['EstimateID', '_merge'], ascending=True)

print("识别出的差异行及其来源：")
print(changed_df)

代码解释：

1. pd.merge(df_current_est, df_previous_est, how='outer', indicator=True): 这一步是核心。它将两个DataFrame进行外连接，并生成_merge列。
2. changed_df = merged_df[merged_df['_merge'] != 'both'].copy(): 我们通过筛选_merge列来获取所有不完全匹配的行。copy()操作是为了避免SettingWithCopyWarning，确保我们操作的是一个独立的DataFrame。
3. changed_df.sort_values(...): 对结果进行排序，便于分析。

输出示例：

识别出的差异行及其来源：
   EstimateID  Season   RPIN GrowMethodCode Variety_code  Packout_pc  QtyBins      _merge
0       10061    2023  R1000             FO          002        0.60      320   left_only
3       10061    2023  R1000             FO          002        0.60     9000  right_only
1       10062    2023  R2000             FO          068        0.76     1000   left_only
4       10062    2023  R2000             FO          068        0.76    90000  right_only
2       10063    2023  R3000             FO          001        0.80      500   left_only
5       10064    2023  R4000             FO          003        0.90      600  right_only

从输出可以看出，_merge列清晰地指示了每行是来自df_current_est（left_only）还是df_previous_est（right_only）。例如，EstimateID为10061的行在两个DataFrame中都有，但QtyBins值不同，因此它们都被标记为差异行，分别指示了各自的来源。

注意事项：不要随意删除_merge列

在获取到包含_merge列的结果后，如果你需要利用该列的信息来判断行的来源，请务必不要将其删除。原始问题中的代码片段就犯了这个错误：

# 错误示例：不应删除_merge列
changed_df.drop('_merge', axis=1, inplace=True)

如果删除了_merge列，你将失去行的来源信息，这与你最初的目标相悖。

处理原始索引的需求

上述方法能够很好地追踪行的来源，但它不会保留原始DataFrame的索引。在某些场景下，你可能不仅关心行来自哪个DataFrame，还需要知道它在原始DataFrame中的具体索引。_merge列并不能保留原始索引信息。

解决方案：将索引转换为普通列

如果需要保留原始索引，你需要在进行merge操作之前，先使用reset_index()方法将每个DataFrame的索引转换为一个普通的数据列。这样，在合并之后，原始索引信息就会作为新的列存在于结果DataFrame中。

import pandas as pd

# 示例数据，包含自定义索引
df1 = pd.DataFrame({'key': ['one', 'two', 'three'], 'value1': [1, 2, 3]},
                   index=[101, 102, 103])
df2 = pd.DataFrame({'key': ['two', 'four', 'three'], 'value2': [20, 40, 30]},
                   index=[201, 202, 203])

print("df1:")
print(df1)
print("\ndf2:")
print(df2)

# 将索引重置为列，然后进行外连接
merged_df_with_index = (
    pd.merge(df1.reset_index(),
             df2.reset_index(),
             on='key',               # 基于'key'列合并
             suffixes=('_df1', '_df2'), # 为重复列添加后缀
             how='outer',
             indicator=True)
    .query('_merge != "both"') # 筛选差异行
)

print("\n带有原始索引的差异行：")
print(merged_df_with_index)

代码解释：

1. df1.reset_index() 和 df2.reset_index(): 这一步将每个DataFrame的当前索引转换为一个名为index的列。
2. suffixes=('_df1', '_df2'): 由于两个DataFrame都将有一个名为index的列，suffixes参数用于为这些同名列添加后缀，以区分它们来自哪个原始DataFrame（例如，index_df1和index_df2）。
3. .query('_merge != "both"'): 这是一个简洁的筛选方式，等同于merged_df_with_index[merged_df_with_index['_merge'] != 'both']。

输出示例：

df1:
     key  value1
101  one       1
102  two       2
103  three     3

df2:
     key  value2
201  two      20
202  four     40
203  three    30

带有原始索引的差异行：
   index_df1   key  value1  index_df2  value2      _merge
0      101.0   one     1.0        NaN     NaN   left_only
3        NaN  four     NaN      202.0    40.0  right_only

现在，结果DataFrame中包含了index_df1和index_df2列，它们分别存储了差异行在df1和df2中的原始索引。对于left_only的行，index_df2为NaN；对于right_only的行，index_df1为NaN。

扩展应用：查找匹配行的最大索引

在某些分析场景中，你可能还需要找出那些在两个DataFrame中都匹配的行（即_merge == "both"），并获取它们在原始DataFrame中的最大索引。这在需要追踪最新版本或最高ID的匹配记录时非常有用。

# 查找匹配行（_merge == "both"）的最大索引
max_id_same = (
    pd.merge(df1.reset_index(),
             df2.reset_index(),
             on='key',
             suffixes=('_df1', '_df2'),
             how='outer',
             indicator=True)
    .query('_merge == "both"') # 筛选匹配行
)[['index_df1', 'index_df2']].max() # 选择索引列并取最大值

print("\n匹配行（_merge == \"both\"）的最大索引：")
print(max_id_same)

输出示例：

匹配行（_merge == "both"）的最大索引：
index_df1    103.0
index_df2    203.0
dtype: float64

这表明在df1中，匹配行的最大索引是103，在df2中是203。

总结

本教程详细阐述了在Pandas中比较两个DataFrame并识别差异行的两种主要场景：

1. 仅追踪行来源： 使用pd.merge(how='outer', indicator=True)，然后筛选_merge列中不为'both'的行。_merge列将直接指示行是left_only还是right_only。关键是不要删除_merge列。
2. 同时追踪行来源和原始索引： 在pd.merge之前，对每个DataFrame使用reset_index()将索引转换为普通列。合并时使用suffixes参数处理同名索引列，然后进行筛选。

掌握这些技术，可以帮助你在数据分析工作中更精确地理解和管理DataFrame之间的变化，从而提高数据处理的效率和准确性。