22 Σεπτεμβρίου 2025Ελληνικά

Ένας οδηγός για τη συγχώνευση και σύνδεση DataFrames με Python Pandas, καλύπτοντας στρατηγικές όπως inner, outer, left και right joins με πρακτικά παραδείγματα.

Συγχώνευση με Python Pandas: Κατακτώντας Στρατηγικές Σύνδεσης DataFrame για Ανάλυση Δεδομένων

Η επεξεργασία δεδομένων είναι μια κρίσιμη πτυχή της ανάλυσης δεδομένων, και η βιβλιοθήκη Pandas στην Python παρέχει ισχυρά εργαλεία για αυτόν τον σκοπό. Μεταξύ αυτών των εργαλείων, η συγχώνευση και η σύνδεση DataFrames είναι βασικές λειτουργίες για τον συνδυασμό συνόλων δεδομένων βάσει κοινών στηλών ή δεικτών. Αυτός ο περιεκτικός οδηγός εξερευνά διάφορες στρατηγικές σύνδεσης DataFrame στην Pandas, εξοπλίζοντάς σας με τη γνώση για να συνδυάζετε και να αναλύετε αποτελεσματικά δεδομένα από διαφορετικές πηγές.

Κατανόηση της Συγχώνευσης και Σύνδεσης DataFrame

Η συγχώνευση και η σύνδεση DataFrames περιλαμβάνουν τον συνδυασμό δύο ή περισσοτέρων DataFrames σε ένα ενιαίο DataFrame βάσει μιας κοινής στήλης ή δείκτη. Η κύρια διαφορά μεταξύ του `merge` και του `join` είναι ότι το `merge` είναι μια συνάρτηση της βιβλιοθήκης Pandas και συνήθως συνδέει DataFrames βάσει στηλών, ενώ το `join` είναι μια μέθοδος ενός DataFrame που συνδέει DataFrames κυρίως βάσει δεικτών, αν και μπορεί επίσης να χρησιμοποιηθεί με στήλες.

Βασικές Έννοιες

DataFrames: Δισδιάστατες δομές δεδομένων με ετικέτες και στήλες πιθανώς διαφορετικών τύπων.
Κοινές Στήλες/Δείκτες: Στήλες ή δείκτες που μοιράζονται το ίδιο όνομα και τύπο δεδομένων σε όλα τα DataFrames, και χρησιμεύουν ως βάση για τη συγχώνευση/σύνδεση.
Τύποι Σύνδεσης: Διαφορετικές στρατηγικές για τη διαχείριση των μη ταιριασμένων γραμμών κατά τη διαδικασία συγχώνευσης/σύνδεσης, συμπεριλαμβανομένων των εσωτερικών (inner), εξωτερικών (outer), αριστερών (left) και δεξιών (right) συνδέσεων.

Συγχώνευση DataFrame με την `pd.merge()`

Η συνάρτηση `pd.merge()` είναι το κύριο εργαλείο για τη συγχώνευση DataFrames βάσει στηλών. Προσφέρει έναν ευέλικτο τρόπο για να συνδυάσετε δεδομένα βάσει μιας ή περισσοτέρων κοινών στηλών.

Σύνταξη

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

Παράμετροι

left: Το αριστερό DataFrame προς συγχώνευση.
right: Το δεξί DataFrame προς συγχώνευση.
how: Ο τύπος της συγχώνευσης που θα εκτελεστεί ('inner', 'outer', 'left', 'right'). Προεπιλογή είναι το 'inner'.
on: Το όνομα της στήλης(ων) βάσει της οποίας θα γίνει η σύνδεση. Πρέπει να υπάρχουν και στα δύο DataFrames.
left_on: Το όνομα της στήλης(ων) στο αριστερό DataFrame που θα χρησιμοποιηθούν ως κλειδιά σύνδεσης.
right_on: Το όνομα της στήλης(ων) στο δεξί DataFrame που θα χρησιμοποιηθούν ως κλειδιά σύνδεσης.
left_index: Αν είναι True, χρησιμοποιεί τον δείκτη από το αριστερό DataFrame ως κλειδί(ά) σύνδεσης.
right_index: Αν είναι True, χρησιμοποιεί τον δείκτη από το δεξί DataFrame ως κλειδί(ά) σύνδεσης.
sort: Ταξινομεί το αποτέλεσμα του DataFrame λεξικογραφικά βάσει των κλειδιών σύνδεσης. Προεπιλογή είναι False.
suffixes: Ένα tuple από επιθήματα συμβολοσειρών που θα εφαρμοστούν σε επικαλυπτόμενα ονόματα στηλών. Προεπιλογή είναι ('_x', '_y').
copy: Αν είναι False, αποφεύγει την αντιγραφή δεδομένων στο νέο DataFrame όπου είναι δυνατό. Προεπιλογή είναι True.
indicator: Αν είναι True, προσθέτει μια στήλη με το όνομα '_merge' που υποδεικνύει την πηγή κάθε γραμμής.
validate: Ελέγχει εάν η συγχώνευση είναι του καθορισμένου τύπου. "one_to_one", "one_to_many", "many_to_one", "many_to_many".

Επεξήγηση των Τύπων Σύνδεσης

Η παράμετρος `how` στην `pd.merge()` καθορίζει τον τύπο της σύνδεσης που εκτελείται. Οι διάφοροι τύποι σύνδεσης χειρίζονται τις μη ταιριασμένες γραμμές με διαφορετικούς τρόπους.

Εσωτερική Σύνδεση (Inner Join)

Μια εσωτερική σύνδεση επιστρέφει μόνο τις γραμμές που έχουν ταιριαστές τιμές και στα δύο DataFrames βάσει των κλειδιών σύνδεσης. Οι γραμμές με μη ταιριαστές τιμές εξαιρούνται από το αποτέλεσμα.

Παράδειγμα:

Θεωρήστε δύο DataFrames:

            import pandas as pd

# DataFrame 1: Customer Orders
df_orders = pd.DataFrame({
 'order_id': [1, 2, 3, 4, 5],
 'customer_id': [101, 102, 103, 104, 105],
 'product_id': [1, 2, 1, 3, 2],
 'quantity': [2, 1, 3, 1, 2]
})

# DataFrame 2: Customer Information
df_customers = pd.DataFrame({
 'customer_id': [101, 102, 103, 106],
 'customer_name': ['Alice', 'Bob', 'Charlie', 'David'],
 'country': ['USA', 'Canada', 'UK', 'Australia']
})

# Inner Join
df_inner = pd.merge(df_orders, df_customers, on='customer_id', how='inner')
print(df_inner)

Έξοδος:

             order_id  customer_id  product_id  quantity customer_name country
0         1          101           1         2         Alice     USA
1         2          102           2         1           Bob  Canada
2         3          103           1         3       Charlie      UK

Σε αυτό το παράδειγμα, η εσωτερική σύνδεση συνδυάζει τα DataFrames `df_orders` και `df_customers` βάσει της στήλης `customer_id`. Μόνο οι πελάτες που έχουν κάνει παραγγελίες περιλαμβάνονται στο αποτέλεσμα. Ο πελάτης 'David' (customer_id 106) εξαιρείται επειδή δεν έχει παραγγελίες.

Εξωτερική Σύνδεση (Outer Join / Full Outer Join)

Μια εξωτερική σύνδεση επιστρέφει όλες τις γραμμές και από τα δύο DataFrames, συμπεριλαμβανομένων των μη ταιριασμένων γραμμών. Αν μια γραμμή δεν έχει ταίριασμα στο άλλο DataFrame, οι αντίστοιχες στήλες θα περιέχουν τιμές `NaN` (Not a Number).

Παράδειγμα:

            # Outer Join
df_outer = pd.merge(df_orders, df_customers, on='customer_id', how='outer')
print(df_outer)

Έξοδος:

               order_id  customer_id  product_id  quantity customer_name    country
0       1.0          101         1.0       2.0         Alice        USA
1       2.0          102         2.0       1.0           Bob     Canada
2       3.0          103         1.0       3.0       Charlie         UK
3       4.0          104         3.0       1.0           NaN        NaN
4       5.0          105         2.0       2.0           NaN        NaN
5       NaN          106         NaN       NaN         David   Australia

Η εξωτερική σύνδεση περιλαμβάνει όλους τους πελάτες και όλες τις παραγγελίες. Οι πελάτες 104 και 105 έχουν παραγγελίες αλλά όχι πληροφορίες πελάτη, και ο πελάτης 106 έχει πληροφορίες πελάτη αλλά όχι παραγγελίες. Οι ελλείπουσες τιμές αναπαρίστανται ως `NaN`.

Αριστερή Σύνδεση (Left Join)

Μια αριστερή σύνδεση επιστρέφει όλες τις γραμμές από το αριστερό DataFrame και τις ταιριαστές γραμμές από το δεξί DataFrame. Αν μια γραμμή στο αριστερό DataFrame δεν έχει ταίριασμα στο δεξί DataFrame, οι αντίστοιχες στήλες από το δεξί DataFrame θα περιέχουν τιμές `NaN`.

Παράδειγμα:

            # Left Join
df_left = pd.merge(df_orders, df_customers, on='customer_id', how='left')
print(df_left)

Έξοδος:

               order_id  customer_id  product_id  quantity customer_name country
0         1          101           1         2         Alice     USA
1         2          102           2         1           Bob  Canada
2         3          103           1         3       Charlie      UK
3         4          104           3         1           NaN     NaN
4         5          105           2         2           NaN     NaN

Η αριστερή σύνδεση περιλαμβάνει όλες τις παραγγελίες από το `df_orders`. Οι πελάτες 104 και 105 έχουν παραγγελίες αλλά όχι πληροφορίες πελάτη, οπότε οι στήλες `customer_name` και `country` είναι `NaN` για αυτές τις παραγγελίες.

Δεξιά Σύνδεση (Right Join)

Μια δεξιά σύνδεση επιστρέφει όλες τις γραμμές από το δεξί DataFrame και τις ταιριαστές γραμμές από το αριστερό DataFrame. Αν μια γραμμή στο δεξί DataFrame δεν έχει ταίριασμα στο αριστερό DataFrame, οι αντίστοιχες στήλες από το αριστερό DataFrame θα περιέχουν τιμές `NaN`.

Παράδειγμα:

            # Right Join
df_right = pd.merge(df_orders, df_customers, on='customer_id', how='right')
print(df_right)

Έξοδος:

               order_id  customer_id  product_id  quantity customer_name    country
0       1.0          101         1.0       2.0         Alice        USA
1       2.0          102         2.0       1.0           Bob     Canada
2       3.0          103         1.0       3.0       Charlie         UK
3       NaN          106         NaN       NaN         David   Australia

Η δεξιά σύνδεση περιλαμβάνει όλους τους πελάτες από το `df_customers`. Ο πελάτης 106 έχει πληροφορίες πελάτη αλλά όχι παραγγελίες, οπότε οι στήλες `order_id`, `product_id` και `quantity` είναι `NaN` για αυτόν τον πελάτη.

Σύνδεση DataFrame με την `df.join()`

Η μέθοδος `df.join()` χρησιμοποιείται κυρίως για τη σύνδεση DataFrames βάσει των δεικτών τους. Μπορεί επίσης να χρησιμοποιηθεί για σύνδεση βάσει στηλών, αλλά συνήθως είναι πιο βολικό να χρησιμοποιείται η `pd.merge()` για συνδέσεις βάσει στηλών.

Σύνταξη

DataFrame.join(other, on=None, how='left', lsuffix='', rsuffix='', sort=False)

Παράμετροι

other: Το άλλο DataFrame προς σύνδεση.
on: Όνομα στήλης για σύνδεση. Πρέπει να δοθεί εάν ο δείκτης δεν χρησιμοποιείται ως κλειδί σύνδεσης.
how: Πώς να χειριστείτε τη λειτουργία των αριστερών και δεξιών συνόλων. Προεπιλογή είναι 'left'.
lsuffix: Επίθημα που θα χρησιμοποιηθεί από το αριστερό DataFrame για την αντικατάσταση επικαλυπτόμενων ονομάτων στηλών.
rsuffix: Επίθημα που θα χρησιμοποιηθεί από το δεξί DataFrame για την αντικατάσταση επικαλυπτόμενων ονομάτων στηλών.
sort: Ταξινομεί το αποτέλεσμα του DataFrame λεξικογραφικά βάσει των κλειδιών σύνδεσης. Προεπιλογή είναι False.

Σύνδεση βάσει Ευρετηρίου (Index)

Όταν η σύνδεση γίνεται βάσει του δείκτη, η παράμετρος `on` δεν χρησιμοποιείται.

Παράδειγμα:

            # DataFrame 1: Customer Orders with Customer ID as Index
df_orders_index = df_orders.set_index('customer_id')

# DataFrame 2: Customer Information with Customer ID as Index
df_customers_index = df_customers.set_index('customer_id')

# Join on Index (Left Join)
df_join_index = df_orders_index.join(df_customers_index, how='left')
print(df_join_index)

Έξοδος:

               order_id  product_id  quantity customer_name country
customer_id                                        
101                 1           1         2         Alice     USA
102                 2           2         1           Bob  Canada
103                 3           1         3       Charlie      UK
104                 4           3         1           NaN     NaN
105                 5           2         2           NaN     NaN

Σε αυτό το παράδειγμα, η μέθοδος `join()` χρησιμοποιείται για να εκτελέσει μια αριστερή σύνδεση βάσει του δείκτη (`customer_id`). Το αποτέλεσμα είναι παρόμοιο με την αριστερή σύνδεση με `pd.merge()`, αλλά η σύνδεση βασίζεται στον δείκτη αντί για μια στήλη.

Σύνδεση βάσει Στήλης

Για να συνδέσετε βάσει μιας στήλης χρησιμοποιώντας `df.join()`, πρέπει να καθορίσετε την παράμετρο `on`.

Παράδειγμα:

            # Joining on a column
df_join_column = df_orders.join(df_customers.set_index('customer_id'), on='customer_id', how='left')
print(df_join_column)

Έξοδος:

               order_id  customer_id  product_id  quantity customer_name country
0         1          101           1         2         Alice     USA
1         2          102           2         1           Bob  Canada
2         3          103           1         3       Charlie      UK
3         4          104           3         1           NaN     NaN
4         5          105           2         2           NaN     NaN

Αυτό το παράδειγμα δείχνει τη σύνδεση του `df_orders` με το `df_customers` χρησιμοποιώντας τη στήλη `customer_id`. Σημειώστε ότι το `customer_id` ορίζεται ως δείκτης στο `df_customers` πριν την εκτέλεση της σύνδεσης.

Διαχείριση Επικαλυπτόμενων Στηλών

Κατά τη συγχώνευση ή σύνδεση DataFrames, είναι συνηθισμένο να συναντάμε επικαλυπτόμενα ονόματα στηλών (στήλες με το ίδιο όνομα και στα δύο DataFrames). Η Pandas παρέχει την παράμετρο `suffixes` στην `pd.merge()` και τις παραμέτρους `lsuffix` και `rsuffix` στην `df.join()` για να χειριστεί αυτές τις καταστάσεις.

Χρήση των `suffixes` στην `pd.merge()`

Η παράμετρος `suffixes` σας επιτρέπει να καθορίσετε επιθήματα που θα προστεθούν στα επικαλυπτόμενα ονόματα στηλών για να τα διακρίνετε.

Παράδειγμα:

            # DataFrame 1: Product Information
df_products1 = pd.DataFrame({
 'product_id': [1, 2, 3],
 'product_name': ['Product A', 'Product B', 'Product C'],
 'price': [10, 20, 15]
})

# DataFrame 2: Product Information (with potentially updated prices)
df_products2 = pd.DataFrame({
 'product_id': [1, 2, 4],
 'product_name': ['Product A', 'Product B', 'Product D'],
 'price': [12, 18, 25]
})

# Merge with suffixes
df_merged_suffixes = pd.merge(df_products1, df_products2, on='product_id', suffixes=('_old', '_new'))
print(df_merged_suffixes)

Έξοδος:

               product_id product_name_old  price_old product_name_new  price_new
0           1      Product A         10       Product A         12
1           2      Product B         20       Product B         18

Σε αυτό το παράδειγμα, οι στήλες `product_name` και `price` υπάρχουν και στα δύο DataFrames. Η παράμετρος `suffixes` προσθέτει τα επιθήματα `_old` και `_new` για να διακρίνει τις στήλες από το αριστερό και το δεξί DataFrame, αντίστοιχα.

Χρήση των `lsuffix` και `rsuffix` στην `df.join()`

Οι παράμετροι `lsuffix` και `rsuffix` παρέχουν παρόμοια λειτουργικότητα για την `df.join()`. Το `lsuffix` προστίθεται στις επικαλυπτόμενες στήλες του αριστερού DataFrame, και το `rsuffix` σε αυτές του δεξιού.

Παράδειγμα:

            # Join with lsuffix and rsuffix
df_products1_index = df_products1.set_index('product_id')
df_products2_index = df_products2.set_index('product_id')
df_joined_suffixes = df_products1_index.join(df_products2_index, lsuffix='_old', rsuffix='_new', how='outer')
print(df_joined_suffixes)

Έξοδος:

                      product_name_old  price_old product_name_new  price_new
product_id                                                     
1                 Product A       10.0        Product A       12.0
2                 Product B       20.0        Product B       18.0
3                 Product C       15.0            NaN        NaN
4                       NaN        NaN        Product D       25.0

Πρακτικά Παραδείγματα και Περιπτώσεις Χρήσης

Η συγχώνευση και η σύνδεση DataFrames χρησιμοποιούνται ευρέως σε διάφορα σενάρια ανάλυσης δεδομένων. Ακολουθούν ορισμένα πρακτικά παραδείγματα:

Συνδυασμός Δεδομένων Πωλήσεων με Πληροφορίες Προϊόντων

Μια συνηθισμένη περίπτωση χρήσης είναι ο συνδυασμός δεδομένων πωλήσεων με πληροφορίες προϊόντων. Υποθέστε ότι έχετε ένα DataFrame που περιέχει συναλλαγές πωλήσεων και ένα άλλο DataFrame που περιέχει λεπτομέρειες προϊόντων. Μπορείτε να συγχωνεύσετε αυτά τα DataFrames για να εμπλουτίσετε τα δεδομένα πωλήσεων με πληροφορίες προϊόντων.

Παράδειγμα:

            # Sales Transactions Data
df_sales = pd.DataFrame({
 'transaction_id': [1, 2, 3, 4, 5],
 'product_id': [101, 102, 103, 101, 104],
 'quantity': [2, 1, 3, 1, 2],
 'sales_date': ['2023-01-15', '2023-02-20', '2023-03-10', '2023-04-05', '2023-05-01']
})

# Product Information Data
df_products = pd.DataFrame({
 'product_id': [101, 102, 103, 104],
 'product_name': ['Laptop', 'Mouse', 'Keyboard', 'Monitor'],
 'category': ['Electronics', 'Electronics', 'Electronics', 'Electronics'],
 'price': [1200, 25, 75, 300]
})

# Merge Sales Data with Product Information
df_sales_enriched = pd.merge(df_sales, df_products, on='product_id', how='left')
print(df_sales_enriched)

Έξοδος:

               transaction_id  product_id  quantity sales_date product_name     category   price
0               1         101         2   2023-01-15       Laptop  Electronics  1200
1               2         102         1   2023-02-20        Mouse  Electronics    25
2               3         103         3   2023-03-10     Keyboard  Electronics    75
3               4         101         1   2023-04-05       Laptop  Electronics  1200
4               5         104         2   2023-05-01      Monitor  Electronics   300

Το τελικό DataFrame `df_sales_enriched` περιέχει τις συναλλαγές πωλήσεων μαζί με τις αντίστοιχες πληροφορίες προϊόντων, επιτρέποντας μια πιο λεπτομερή ανάλυση των τάσεων πωλήσεων και της απόδοσης των προϊόντων.

Συνδυασμός Δεδομένων Πελατών με Δημογραφικές Πληροφορίες

Μια άλλη συνηθισμένη περίπτωση χρήσης είναι ο συνδυασμός δεδομένων πελατών με δημογραφικές πληροφορίες. Αυτό επιτρέπει την ανάλυση της συμπεριφοράς των πελατών βάσει δημογραφικών παραγόντων.

Παράδειγμα:

            # Customer Data
df_customers = pd.DataFrame({
 'customer_id': [1, 2, 3, 4, 5],
 'customer_name': ['Alice', 'Bob', 'Charlie', 'David', 'Eve'],
 'city': ['New York', 'London', 'Tokyo', 'Sydney', 'Berlin']
})

# Demographic Information Data
df_demographics = pd.DataFrame({
 'city': ['New York', 'London', 'Tokyo', 'Sydney', 'Berlin'],
 'population': [8419000, 8982000, 13960000, 5312000, 3769000],
 'average_income': [75000, 65000, 85000, 90000, 55000]
})

# Merge Customer Data with Demographic Information
df_customer_demographics = pd.merge(df_customers, df_demographics, on='city', how='left')
print(df_customer_demographics)

Έξοδος:

               customer_id customer_name      city  population  average_income
0            1         Alice  New York     8419000           75000
1            2           Bob    London     8982000           65000
2            3       Charlie     Tokyo    13960000           85000
3            4         David    Sydney     5312000           90000
4            5           Eve    Berlin     3769000           55000

Το τελικό DataFrame `df_customer_demographics` περιέχει δεδομένα πελατών μαζί με τις δημογραφικές πληροφορίες για τις αντίστοιχες πόλεις τους, επιτρέποντας την ανάλυση της συμπεριφοράς των πελατών βάσει των δημογραφικών στοιχείων της πόλης.

Ανάλυση Δεδομένων Παγκόσμιας Εφοδιαστικής Αλυσίδας

Η συγχώνευση στην Pandas είναι πολύτιμη για την ανάλυση δεδομένων παγκόσμιας εφοδιαστικής αλυσίδας, όπου οι πληροφορίες είναι συχνά διασκορπισμένες σε πολλούς πίνακες. Για παράδειγμα, η σύνδεση δεδομένων προμηθευτών, πληροφοριών αποστολής και στοιχείων πωλήσεων μπορεί να αποκαλύψει σημεία συμφόρησης και να βελτιστοποιήσει την εφοδιαστική.

Παράδειγμα:

            # Supplier Data
df_suppliers = pd.DataFrame({
 'supplier_id': [1, 2, 3],
 'supplier_name': ['GlobalTech', 'EuroParts', 'AsiaSource'],
 'location': ['Taiwan', 'Germany', 'China']
})

# Shipping Data
df_shipments = pd.DataFrame({
 'shipment_id': [101, 102, 103, 104],
 'supplier_id': [1, 2, 3, 1],
 'destination': ['USA', 'Canada', 'Australia', 'Japan'],
 'shipment_date': ['2023-01-10', '2023-02-15', '2023-03-20', '2023-04-25']
})


# Merge Supplier and Shipment Data
df_supply_chain = pd.merge(df_shipments, df_suppliers, on='supplier_id', how='left')

print(df_supply_chain)

Έξοδος:

               shipment_id  supplier_id destination shipment_date supplier_name location
0          101            1         USA    2023-01-10     GlobalTech   Taiwan
1          102            2      Canada    2023-02-15      EuroParts  Germany
2          103            3   Australia    2023-03-20     AsiaSource    China
3          104            1       Japan    2023-04-25     GlobalTech   Taiwan

Προηγμένες Τεχνικές Συγχώνευσης

Συγχώνευση βάσει Πολλαπλών Στηλών

Μπορείτε να συγχωνεύσετε DataFrames βάσει πολλαπλών στηλών περνώντας μια λίστα με ονόματα στηλών στην παράμετρο `on`.

Παράδειγμα:

            # DataFrame 1
df1 = pd.DataFrame({
 'product_id': [1, 1, 2, 2],
 'color': ['red', 'blue', 'red', 'blue'],
 'quantity': [10, 15, 20, 25]
})

# DataFrame 2
df2 = pd.DataFrame({
 'product_id': [1, 1, 2, 2],
 'color': ['red', 'blue', 'red', 'blue'],
 'price': [5, 7, 8, 10]
})

# Merge on multiple columns
df_merged_multiple = pd.merge(df1, df2, on=['product_id', 'color'], how='inner')
print(df_merged_multiple)

Έξοδος:

               product_id color  quantity  price
0           1   red        10      5
1           1  blue        15      7
2           2   red        20      8
3           2  blue        25     10

Συγχώνευση με Διαφορετικά Ονόματα Στηλών

Αν οι στήλες σύνδεσης έχουν διαφορετικά ονόματα στα δύο DataFrames, μπορείτε να χρησιμοποιήσετε τις παραμέτρους `left_on` και `right_on` για να καθορίσετε τα ονόματα των στηλών που θα χρησιμοποιηθούν για τη συγχώνευση.

Παράδειγμα:

            # DataFrame 1
df1 = pd.DataFrame({
 'product_id': [1, 2, 3],
 'product_name': ['Product A', 'Product B', 'Product C']
})

# DataFrame 2
df2 = pd.DataFrame({
 'id': [1, 2, 4],
 'price': [10, 20, 25]
})

# Merge with different column names
df_merged_different = pd.merge(df1, df2, left_on='product_id', right_on='id', how='left')
print(df_merged_different)

Έξοδος:

               product_id product_name   id   price
0           1    Product A  1.0    10.0
1           2    Product B  2.0    20.0
2           3    Product C  NaN     NaN

Χρήση της παραμέτρου `indicator` για Ανάλυση Συγχώνευσης

Η παράμετρος `indicator` στην `pd.merge()` προσθέτει μια στήλη με το όνομα `_merge` στο τελικό DataFrame, υποδεικνύοντας την πηγή κάθε γραμμής. Αυτό είναι χρήσιμο για την κατανόηση του ποιες γραμμές ταίριαξαν και ποιες όχι.

Παράδειγμα:

            # Merge with indicator
df_merged_indicator = pd.merge(df_orders, df_customers, on='customer_id', how='outer', indicator=True)
print(df_merged_indicator)

Έξοδος:

               order_id  customer_id  product_id  quantity customer_name    country      _merge
0       1.0          101         1.0       2.0         Alice        USA        both
1       2.0          102         2.0       1.0           Bob     Canada        both
2       3.0          103         1.0       3.0       Charlie         UK        both
3       4.0          104         3.0       1.0           NaN        NaN   left_only
4       5.0          105         2.0       2.0           NaN        NaN   left_only
5       NaN          106         NaN       NaN         David   Australia  right_only

Η στήλη `_merge` υποδεικνύει εάν η γραμμή προέρχεται και από τα δύο DataFrames (`both`), μόνο από το αριστερό DataFrame (`left_only`), ή μόνο από το δεξί DataFrame (`right_only`).

Επικύρωση Τύπων Συγχώνευσης

Η παράμετρος `validate` διασφαλίζει ότι η λειτουργία συγχώνευσης ευθυγραμμίζεται με τους αναμενόμενους τύπους σχέσεων μεταξύ των DataFrames (π.χ., 'one_to_one', 'one_to_many'). Αυτό βοηθά στην πρόληψη ασυνεπειών και σφαλμάτων στα δεδομένα.

Παράδειγμα:

            # Example with one-to-one validation
df_users = pd.DataFrame({
 'user_id': [1, 2, 3],
 'username': ['john_doe', 'jane_smith', 'peter_jones']
})

df_profiles = pd.DataFrame({
 'user_id': [1, 2, 3],
 'profile_description': ['Software Engineer', 'Data Scientist', 'Project Manager']
})

# Performing a one-to-one merge with validation
merged_df = pd.merge(df_users, df_profiles, on='user_id', validate='one_to_one')

print(merged_df)

Αν η συγχώνευση παραβιάζει την καθορισμένη επικύρωση (π.χ., μια σχέση 'many-to-one' όταν έχει καθοριστεί 'one_to_one'), θα προκληθεί ένα `MergeError`, προειδοποιώντας σας για πιθανά ζητήματα ακεραιότητας δεδομένων.

Ζητήματα Απόδοσης

Η συγχώνευση και η σύνδεση DataFrames μπορεί να είναι υπολογιστικά δαπανηρές, ειδικά για μεγάλα σύνολα δεδομένων. Ακολουθούν μερικές συμβουλές για τη βελτίωση της απόδοσης:

Χρησιμοποιήστε τον κατάλληλο τύπο σύνδεσης: Η επιλογή του σωστού τύπου σύνδεσης μπορεί να επηρεάσει σημαντικά την απόδοση. Για παράδειγμα, αν χρειάζεστε μόνο τις ταιριαστές γραμμές, χρησιμοποιήστε μια εσωτερική σύνδεση (inner join).
Ευρετηριάστε τις στήλες σύνδεσης: Η δημιουργία ευρετηρίου στις στήλες σύνδεσης μπορεί να επιταχύνει τη διαδικασία συγχώνευσης.
Χρησιμοποιήστε κατάλληλους τύπους δεδομένων: Βεβαιωθείτε ότι οι στήλες σύνδεσης έχουν συμβατούς τύπους δεδομένων.
Αποφύγετε τα περιττά αντίγραφα: Ορίστε `copy=False` στις `pd.merge()` και `df.join()` για να αποφύγετε τη δημιουργία περιττών αντιγράφων των δεδομένων.

Συμπέρασμα

Η συγχώνευση και η σύνδεση DataFrames είναι θεμελιώδεις λειτουργίες στην ανάλυση δεδομένων. Κατανοώντας τους διαφορετικούς τύπους σύνδεσης και τις τεχνικές, μπορείτε να συνδυάζετε και να αναλύετε αποτελεσματικά δεδομένα από διάφορες πηγές, ξεκλειδώνοντας πολύτιμες γνώσεις και οδηγώντας σε τεκμηριωμένες αποφάσεις. Από τον συνδυασμό δεδομένων πωλήσεων με πληροφορίες προϊόντων μέχρι την ανάλυση παγκόσμιων εφοδιαστικών αλυσίδων, η κατάκτηση αυτών των τεχνικών θα σας δώσει τη δυνατότητα να αντιμετωπίζετε σύνθετες εργασίες επεξεργασίας δεδομένων με σιγουριά. Θυμηθείτε να λαμβάνετε υπόψη τις επιπτώσεις στην απόδοση όταν εργάζεστε με μεγάλα σύνολα δεδομένων και να αξιοποιείτε προηγμένες δυνατότητες όπως οι παράμετροι `indicator` και `validate` για πιο στιβαρή και διορατική ανάλυση.