Pandas DataFrame重复索引列的正确添加方法

在数据处理中，我们经常需要在现有Pandas DataFrame中添加新的列。当DataFrame的索引包含重复值时，这一操作可能会变得复杂，尤其是在尝试从另一个同样具有重复索引的DataFrame中引入新列时。不恰当的方法可能导致数据冗余或非预期的笛卡尔积（Cartesian product），从而使数据量急剧膨胀，且数据对齐出现错误。

问题描述与错误示例

考虑以下场景：我们有一个dataframe df，其索引（例如'bs'列）包含重复值，并且我们希望从另一个dataframe df1中添加一列新的数据（例如'm2'），该dataframe df1也具有相同的重复索引结构。

初始DataFrame df 示例：

BS	M1	RAW
999	3.65	A
999	3.58	B
999	3.50	C

我们希望添加新列'M2'后得到以下结构：

BS	M1	M2	RAW
999	3.65	3.35	A
999	3.58	3.38	B
999	3.50	3.30	C

如果尝试使用 df.join(df1, on='BS', how='outer')，结果往往不尽如人意。这是因为 join（或 merge）操作在处理重复索引时，会尝试将左侧DataFrame中每个具有相同索引值的行与右侧DataFrame中所有具有相同索引值的行进行匹配，从而产生笛卡尔积。

以下是导致错误结果的代码示例：

import pandas as pd

# 初始DataFrame df
value_df = {'M1': [3.65, 3.58, 3.5], 'BS': [999, 999, 999], 'RAW':['A', 'B', 'C']}
df = pd.DataFrame(value_df).set_index('BS')

# 包含新列M2的DataFrame df1
value_df1 = {'M2': [3.35, 3.38, 3.3], 'BS': [999, 999, 999]}
df1 = pd.DataFrame(value_df1).set_index('BS')

print("原始 df:")
print(df)
print("\n待添加的 df1:")
print(df1)

# 错误的使用 join 方法
df_joined_wrong = df.join(df1, on='BS', how='outer')
print("\n使用 df.join() 后的错误结果:")
print(df_joined_wrong)

运行上述代码，会发现输出结果的行数从3行膨胀到了9行，新列'M2'的数据与原始'M1'和'RAW'的数据产生了错误的组合：

原始 df:
       M1 RAW
BS          
999  3.65   A
999  3.58   B
999  3.50   C

待添加的 df1:
       M2
BS       
999  3.35
999  3.38
999  3.30

使用 df.join() 后的错误结果:
       M1 RAW    M2
BS                 
999  3.65   A  3.35
999  3.65   A  3.38
999  3.65   A  3.30
999  3.58   B  3.35
999  3.58   B  3.38
999  3.58   B  3.30
999  3.50   C  3.35
999  3.50   C  3.38
999  3.50   C  3.30

正确的解决方案：使用 pd.concat

当两个DataFrame的索引结构相同，且我们希望按位置（即行顺序）将它们横向拼接时，pd.concat 是更合适的选择。pd.concat 函数通过指定 axis=1 来实现列方向的拼接。它会根据索引进行对齐，如果索引完全匹配（包括重复索引的顺序），则能正确地将列添加到现有DataFrame中，而不会产生笛卡尔积。

import pandas as pd

# 初始DataFrame df
value_df = {'M1': [3.65, 3.58, 3.5], 'BS': [999, 999, 999], 'RAW':['A', 'B', 'C']}
df = pd.DataFrame(value_df).set_index('BS')

# 包含新列M2的DataFrame df1
value_df1 = {'M2': [3.35, 3.38, 3.3], 'BS': [999, 999, 999]}
df1 = pd.DataFrame(value_df1).set_index('BS')

# 使用 pd.concat 进行正确的列添加
df_correct = pd.concat([df, df1], axis=1)
print("\n使用 pd.concat() 后的正确结果:")
print(df_correct)

运行上述代码，将得到期望的正确结果：

使用 pd.concat() 后的正确结果:
       M1 RAW    M2
BS                 
999  3.65   A  3.35
999  3.58   B  3.38
999  3.50   C  3.30

注意事项

1. 索引对齐与顺序： pd.concat(axis=1) 在进行列拼接时，会基于DataFrame的索引进行对齐。在本例中，由于 df 和 df1 的索引（包括重复索引的顺序）是完全一致的，concat 能够精确地将对应的行数据拼接起来。如果两个DataFrame的索引顺序不一致，或者存在不匹配的索引值，concat 可能会引入 NaN 值或产生意料之外的对齐。
2. join 与 concat 的选择：
   • join 和 merge 主要用于基于一个或多个键（可以是索引或列）进行数据库风格的合并操作，它们在处理重复键时会默认生成笛卡尔积，除非有额外条件限制。它们更适用于需要根据特定匹配规则组合数据的情况。
   • concat 主要用于沿某个轴（行或列）堆叠或拼接DataFrame。当需要将结构相似的DataFrame简单地堆叠在一起，或者像本例中这样，按索引（包括其顺序）进行横向扩展时，concat 是更直接和高效的选择。
3. 直接赋值添加列： 如果新列的数据已经是一个Pandas Series或NumPy数组，且其长度与现有DataFrame的行数一致，最简单的方法是直接将其赋值给DataFrame的一个新列名：

   df['M2'] = df1['M2'].values # 或者 df['M2'] = [3.35, 3.38, 3.3]

   这种方法要求新数据与现有DataFrame的行是严格按位置对应的，不依赖于索引对齐。

总结

在Pandas中向具有重复索引的DataFrame添加新列时，理解不同操作的底层逻辑至关重要。当目标是按现有行的顺序进行列扩展，且两个DataFrame的索引结构（包括重复索引的顺序）一致时，pd.concat([df1, df2], axis=1) 是避免笛卡尔积、实现精确数据合并的推荐方法。相比之下，join 或 merge 更适用于需要复杂匹配逻辑的场景。根据具体的数据结构和合并需求，选择最合适的Pandas函数能够显著提高数据处理的效率和准确性。

以上就是Pandas DataFrame重复索引列的正确添加方法的详细内容，更多请关注php中文网其它相关文章！