按列值“压缩”两个数据帧

Question

全

假设我有一个数据帧，如下：

df1 = pd.DataFrame({"A": range(6), "key": [0,1]*3})
df1

    A   key
0   0   0
1   1   1
2   2   0
3   3   1
4   4   0
5   5   1

和

df2 = pd.DataFrame({"C": ["k0-"+str(x) for x in range(3)] + ["k1-"+str(x) for x in range(3)] , "key": [0]*3 + [1]*3})   k0-1
df2

    C   key
0   k0-0    0
1   k0-1    0
2   k0-2    0
3   k1-0    1
4   k1-1    1
5   k1-2    1

C中的值都是唯一的，而key中的值在实际数据集中没有这样的模式。

我正在尝试将这两个值与结果数据帧合并，其中C列中的值将对key列中的匹配值恰好取一次。

也就是说。

    A   key C
0   0   0   k0-0 
1   1   1   k1-0
2   2   0   k0-1
3   3   1   k1-1
4   4   0   k0-2
5   5   1   k1-2

顺序并不重要，也就是说，C中的值不需要按顺序取。这是一个玩具示例，我在现实中有大约10个钥匙。

我知道我可以做一个外连接，然后以某种方式删除不唯一的C值。但这可能有点夸张，因为实际数据集中有太多的行(约30k)。

提前感谢！

Answer 1

您可以添加要在联接中使用的额外列：

df1['order'] = df1.groupby('key').cumcount()
df2['order'] = df2.groupby('key').cumcount()

# If you want to match on random order:
# df2['order'] = df2.sample(frac=1).groupby('key').cumcount()

df1.merge(df2, on=['key', 'order'])

结果：

   A  key  order     C
0  0    0      0  k0-0
1  1    1      0  k1-0
2  2    0      1  k0-1
3  3    1      1  k1-1
4  4    0      2  k0-2
5  5    1      2  k1-2

Answer 2

您可以构建迭代器字典，并根据'key'在适当的迭代器上调用next。

g = {k: iter(v) for k, v in df2.groupby('key').C}
df1.assign(C=[next(g[x]) for x in df1.key])

   A  key     C
0  0    0  k0-0
1  1    1  k1-0
2  2    0  k0-1
3  3    1  k1-1
4  4    0  k0-2
5  5    1  k1-2