CSV（逗号分隔值）文件广泛用于以简单格式存储和交换数据。在许多数据处理任务中，需要基于特定列合并两个或多个CSV文件。幸运的是，这可以使用 Python 中的 Pandas 库轻松实现。
在本文中，我们将学习如何使用 Python 中的 Pandas 按特定列合并两个 CSV 文件。
什么是 Pandas 库？
Pandas 是一个用于 Python 信息控制和检查的开源库。它提供了用于处理结构化数据（例如表格、时间序列和多维数据）以及高性能数据结构的工具。 Pandas 广泛应用于金融、数据科学、机器学习和其他需要数据操作的领域。
在 Python 中按特定列合并两个 CSV 文件的步骤
以下是使用 Pandas 库在 Python 中按特定列合并两个 CSV 文件的完整步骤 -
立即学习“Python免费学习笔记（深入）”；
第 1 步：导入 Pandas 库
合并两个 CSV 文件的第一步是导入 pandas 库。 Pandas 是一个强大的 Python 数据分析库。它提供了用于有效存储和操作大型数据集的数据结构。要使用 Pandas，我们首先需要将其导入到 Python 程序中。我们可以使用以下命令来做到这一点 -
import pandas as pd
第 2 步：读取 CSV 文件
我们的下一步是读取我们想要合并的两个 CSV 文件。我们可以使用 Pandas 的 read_csv() 函数将 CSV 文件读取到 Pandas DataFrame 中。我们需要提供 CSV 文件的文件路径或 URL 作为 read_csv() 函数的参数。例如 -
df1 = pd.read_csv('file1.csv')
df2 = pd.read_csv('file2.csv')
第 3 步：合并 CSV 文件
将 CSV 文件读入 Pandas DataFrames 后，现在是时候使用 merge() 函数根据特定列合并它们了。 merge() 函数将两个 DataFrame 作为输入，并基于公共列将它们合并。这是基本语法 -
merged_df = pd.merge(df1, df2, on='column_name')
在此示例中，merged_df 是新的 DataFrame，其中包含 df1 和 df2 的合并数据。 on 参数指定合并两个 DataFrame 的公共列的名称。
例如，假设我们有两个 CSV 文件 sales.csv 和customers.csv。这两个文件都包含名为 CustomerID 的列。我们希望根据 CustomerID 列合并两个文件。我们可以这样做 -
sales = pd.read_csv('sales.csv')
customers = pd.read_csv('customers.csv')
merged_df = pd.merge(sales, customers, on='CustomerID')
第 4 步：处理缺失值（如果有）
根据特定列合并两个 CSV 文件时，合并后的 DataFrame 中可能会缺少值。如果其中一个 CSV 文件的相应列中没有匹配的值，则可能会出现这些缺失值。
为了处理缺失值，我们可以使用 Pandas 的 fillna() 函数将其替换为默认值或计算值。例如，我们可以使用以下代码将缺失值替换为字符串“Unknown” -
merged_df.fillna('Unknown', inplace=True)
在此示例中，我们使用 fillna() 函数将合并的 DataFrame 中的缺失值替换为字符串“Unknown”。我们还指定了 inplace 参数为 True，这意味着将修改原始 DataFrame，而不是创建新的 DataFrame。
示例 1：使用 Merge() 函数
在此示例中，我们将使用 Pandas 的 merge() 函数根据特定列合并两个 CSV 文件。
CSV Files
假设我们有两个 CSV 文件：employees.csv 和 Departments.csv。 Employees.csv 文件包含以下数据 -
| 员工ID | 姓名 | 部门ID | 薪资 |
|---|---|---|---|
| 1 | 约翰 | 1 | 50000 |
| 2 | 莎拉 | 2 | 60000 |
| 3 | 大卫 | 1 | 55000 |
| 4 | 亚历克斯 | 3 | 65000 |
| 5 | 艾米丽 | 2 | 55000 |
departments.csv 文件包含以下数据 -
| 部门ID | 部门名称 |
|---|---|
| 1 | IT |
| 2 | 销售 |
| 3 | 营销 |
| 4 | 人力资源 |
示例
import pandas as pd
# Load CSV Files
employees = pd.read_csv('employees.csv')
departments = pd.read_csv('departments.csv')
# Merge dataframes based on DepartmentID column
merged_df = pd.merge(employees, departments, on='DepartmentID')
# Print merged dataframe
print(merged_df.head())
# Save merged dataframe to a new CSV file
merged_df.to_csv('merged_employees_departments.csv', index=False)
输出
EmployeeID Name DepartmentID Salary DepartmentName 0 1 John 1 50000 IT 1 3 David 1 55000 IT 2 2 Sarah 2 60000 Sales 3 5 Emily 2 55000 Sales 4 4 Alex 3 65000 Marketing
示例 2：使用 Join() 函数
在本例中，我们将使用 Pandas 的 join() 方法根据特定列合并两个 CSV 文件。
CSV Files
假设我们有两个 CSV 文件：orders.csv 和customers.csv。 order.csv 文件包含以下数据 -
| 订单ID | 客户ID | 订单日期 | 总金额 |
|---|---|---|---|
| 1 | 1 | 2022-05-01 | 100.0 |
| 2 | 3 | 2022-05-02 | 150.0 |
| 3 | 2 | 2022-05-03 | 200.0 |
| 4 | 1 | 2022-05-04 | 75.0 |
| 5 | 4 | 2022-05-05 | 120.0 |
customers.csv 文件包含以下数据 -
| 客户ID | 客户名称 | 电子邮件 |
|---|---|---|
| 1 | 约翰 | john@example.com |
| 2 | 莎拉 | sarah@example.com |
| 3 | 大卫 | david@example.com |
| 4 | 艾米丽 | emily@example.com |
示例
import pandas as pd
# Load CSV files
orders = pd.read_csv('orders.csv')
customers = pd.read_csv('customers.csv')
# Join dataframes based on CustomerID column
joined_df = orders.set_index('CustomerID').join(customers.set_index('CustomerID'))
# Print joined dataframe
print(joined_df.head())
# Save joined dataframe to a new CSV file
joined_df.to_csv('joined_orders_customers.csv')
输出
OrderID OrderDate TotalAmount CustomerName Email CustomerID 1 1 2022-05-01 100.0 John john@example.com 1 4 2022-05-04 75.0 John john@example.com 2 3 2022-05-03 200.0 Sarah sarah@example.com 3 2 2022-05-02 150.0 David david@example.com 4 5 2022-05-05 120.0 Emily emily@example.com
使用 Pandas 的 merge() 函数，我们根据本例中的“id”列合并了两个 CSV 文件。作为合并两个 CSV 文件的结果的 DataFrame 除了“name_x”、“email_x”、“name_y”和“email_y”列之外还包括“id”列。
请注意，“name_y”和“email_y”段的组合 DataFrame 中缺少值，这些值与第二个 CSV 记录中没有匹配质量的行相关。如上一步所示，Pandas fillna() 和 dropna() 函数可用于处理这些缺失值。
结论
基于特定列合并两个 CSV 文件是一项常见的数据处理任务，可以使用 Python 中的 Pandas 库轻松实现。在本文中，我们学习了如何使用 Pandas 的 merge() 函数合并两个 CSV 文件。我们还讨论了如何处理缺失值以及如何将合并的 DataFrame 保存到新的 CSV 文件。
