开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在多个列上自连接pandas数据框架，并使用新列创建新框架(新列仅包含来自右侧的信息)

在pandas数据框架中进行多列自连接，并使用新列创建新框架的方法如下：

首先，导入pandas库并读取数据到数据框架中：

import pandas as pd

# 读取数据到数据框架
df = pd.read_csv('data.csv')

然后，使用merge函数进行自连接操作，指定左右连接的列：

# 自连接操作
new_df = pd.merge(df, df, left_on='column1', right_on='column2', suffixes=('_left', '_right'))

在上述代码中，column1和column2是要进行自连接的列名，suffixes参数用于指定新列的后缀，以区分左右连接的列。

接下来，创建新的数据框架，只包含来自右侧的信息：

# 创建新的数据框架
new_df = new_df[['column1_left', 'column2_left', 'column3_right', 'column4_right']]

在上述代码中，column1_left和column2_left是左连接的列，column3_right和column4_right是右连接的列，通过选择这些列来创建新的数据框架。

完整的代码示例：

import pandas as pd

# 读取数据到数据框架
df = pd.read_csv('data.csv')

# 自连接操作
new_df = pd.merge(df, df, left_on='column1', right_on='column2', suffixes=('_left', '_right'))

# 创建新的数据框架
new_df = new_df[['column1_left', 'column2_left', 'column3_right', 'column4_right']]

以上是在pandas数据框架中进行多列自连接，并使用新列创建新框架的方法。这种方法可以用于处理需要在多个列上进行自连接的情况，通过选择需要的列，可以创建包含来自右侧的信息的新数据框架。

相关搜索:使用框架中的列数据创建新列如何在pandas数据框架中创建新列作为现有列的函数？Python、pandas:基于多个其他列对列求和，并将其放入新的数据框架中如何使用pandas数据框架定义新列中的值分类函数？如何基于数据框架(pivot或unpivot？)中的列值在pandas中创建新列。如何在pandas数据透视表中创建仅包含已填充列的匹配值的新列？对两列进行排序，并使用pandas为来自dataframe的排序值创建新列如何使用pandas/python创建多个新列，并根据其他两个列中的值填充列？pandas对多个列进行分组，并选择新数据帧中group by使用的所有列在创建合并多个列的新列时，如何在pandas中多次透视数据帧？R:如何在一列中创建多个新值，并使用其他列中的数据为每个新值重复行？如何将两个pandas列连接在一起并使用该行创建新的列？Pandas:如何在pandas数据框架中的列上使用map来创建新列？使用lambda函数执行此操作时遇到问题如何使用Scala在Spark中创建仅包含列名和数据类型的新空列如何在Scala Spark中使用带有多个条件的".withColumn“为数据集创建新列 Python Pandas -包含多个列的数据集-希望迭代每列，仅将非空字段中的行值添加到新列表中如何使用矢量化方法将创建多个新列的函数应用到pandas数据帧？使用pandas和python根据单元格内容组合来自不同行的数据，并基于单元格值创建新列如何在pandas中创建新列，并根据第二列是否包含各种字符串列表中的字符串来设置其值有没有一种方法可以在多个列之间进行pandas关联，并在相同的数据帧上使用result创建新的列？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Pandas DataFrame 中的自连接和交叉连接

在 SQL 中经常会使用JOIN操作来组合两个或多个表。有很多种不同种类的 JOINS操作，并且pandas 也提供了这些方式的实现来轻松组合 Series 或 DataFrame。

02

Excel与pandas：使用applymap()创建复杂的计算列

我们之前讨论了如何在pandas中创建计算列，并讲解了一些简单的示例。通过将表达式赋值给一个新列（例如df['new column']=expression），可以在大多数情况下轻松创建计算列。然而，有时我们需要创建相当复杂的计算列，这就是本文要讲解的内容。

01

整理了10个经典的Pandas数据查询案例

Pandas的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。

02

整理了10个经典的Pandas数据查询案例

Pandas的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。

02

10快速入门Query函数使用的Pandas的查询示例

pandas.的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。

01

10个快速入门Query函数使用的Pandas的查询示例

来源：Deephub Imba本文约2600字，建议阅读5分钟在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。 pandas.的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。首先，将数据集导入pandas DataFrame - df import pandas as pddf = pd.read_csv("Dumm

02

单列文本拆分为多列，Python可以自动化

在Excel中，我们经常会遇到要将文本拆分。Excel中的文本拆分为列，可以使用公式、“分列”功能或Power Query来实现。

01

该用Python还是SQL？4个案例教你

在数据分析行业，对数据提出的每一个问题都可以用多种潜在的语言和工具包来回答。每种语言都有其优势，它们之间也存在着不同的区别。不能否认的是，有些操作用Python执行起来要比SQL更加高效。这篇文章分享了4个能够节省时间的案例，在这几个案例中，Python在探索和分析数据集方面远远优于SQL。

05

算法工程师-SQL进阶：神奇的自连接与子查询

自连接与子查询是SQL中非常重要的两项技术，自连接是针对相同的表的联结方法，是SQL语言面向集合编程思想的集中体现，而子查询有很多变式，关联子查询技术是在实际中进行行与行之间的比较时非常重要的方法，特别是与自连接相结合的自关联子查询。一旦熟练掌握以上两种技术，实际中很多问题便能迎刃而解。

01

《Python for Excel》读书笔记连载11：使用pandas进行数据分析之组合数据

引言：本文为《Python for Excel》中第5章Chapter 5：Data Analysis with pandas的部分内容，主要讲解了pandas如何将数据组合，即concat、join和merge函数的使用。

02

对比Excel，更强大的Python pandas筛选

能够对数据进行切片和切分对于处理数据至关重要。与Excel中的筛选类似，我们还可以在数据框架上应用筛选，唯一的区别是Python pandas中的筛选功能更强大、效率更高。可能你对一个500k行的Excel电子表格应用筛选的时候，会花费你很长的时间，此时，应该考虑学习运用一种更有效的工具——Python。

02

【数据库设计和SQL基础语法】--连接与联接--联接的优化与性能问题

联接的性能问题之一是数据量过大导致的性能问题。当进行联接操作时，如果参与联接的表包含大量的数据记录，可能会导致以下性能问题：

01

python数据分析万字干货！一个数据集全方位解读pandas

说到python与数据分析，那肯定少不了pandas的身影，本文希望通过分析经典的NBA数据集来系统的全方位讲解pandas包，建议搭配IDE一遍敲一边读哦。话不多说，开始吧！

02

懂Excel就能轻松入门Python数据分析包pandas(十)：查找替换

> 经常听别人说 Python 在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是 Python 数据处理厉害，而是他有数据分析神器—— pandas

01

懂Excel就能轻松入门Python数据分析包pandas(十)：查找替换

> 经常听别人说 Python 在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是 Python 数据处理厉害，而是他有数据分析神器—— pandas

02

Pandas 学习手册中文第二版：11~15

数据通常被建模为一组实体，相关值的逻辑结构由名称（属性/变量）引用，并具有按行组织的多个样本或实例。实体往往代表现实世界中的事物，例如一个人，或者在物联网中，是一个传感器。然后，使用单个数据帧对每个特定实体及其度量进行建模。

02

第36次文章：数据库查询语句

由于在sql语法中，仅仅支持内连接，所以我们对sql92语法标准的介绍仅限于内连接的三种方式。

03

FAQ系列之Phoenix

是的。Apache Phoenix 用于 OLTP（在线事务处理）用例，而不是 OLAP（在线分析处理）用例。不过，您可以将 Phoenix 用于实时数据摄取作为主要用例。

03

灰太狼的数据世界（三）

一期我们了解了Pandas里面Series数据结构，了解了如何创建修改，清理Series，也了解了一些统计函数，例如方差，标准差，峰度这些数学概念。那么今天我们就来了解Pandas里面的另一个数据结构-----DataFrame。

03

Pandas图鉴(三)：DataFrames

Polars[2]是Pandas最近的转世（用Rust编写，因此速度更快，它不再使用NumPy的引擎，但语法却非常相似，所以学习 Pandas 后对学习 Polars 帮助非常大。

02

mysql数据库面试题目及答案_java面试数据库常见问题

其他面试题类型汇总： Java校招极大几率出的面试题（含答案）—-汇总几率大的网络安全面试题（含答案）几率大的多线程面试题（含答案）几率大的源码底层原理，杂食面试题（含答案）几率大的Redis面试题（含答案）几率大的linux命令面试题（含答案）几率大的杂乱+操作系统面试题（含答案）几率大的SSM框架面试题（含答案）几率大的数据库（MySQL）面试题（含答案）几率大的JVM面试题（含答案）几率大的现场手撕算法面试题（含答案）临时抱佛脚必备系列（含答案）注：知识还在积累中，不能保证每个回答都满足各种等级的高手们，若发现有问题的话，本人会尽快完善。｡◕‿◕｡

03

在 Pandas DataFrame 中应用 IF 条件的5种方法

现在，我们创建一个仅包含Jon, Bill, Maria and Emma等文本内容的DataFrame，IF 条件如下：

03

盘点 Pandas 中用于合并数据的 5 个最常用的函数！

作为一个初学者，我发现自己学了很多，却没有好好总结一下。正好看到一位大佬 Yong Cui 总结的文章，我就按照他的方法，给大家分享用于Pandas中合并数据的 5 个最常用的函数。这样大家以后就可以了解它们的差异，并正确使用它们了。

03

Pandas 学习手册中文第二版：1~5

欢迎来到《Pandas 学习手册》！在本书中，我们将进行一次探索我们学习 Pandas 的旅程，这是一种用于 Python 编程语言的开源数据分析库。 pandas 库提供了使用 Python 构建的高性能且易于使用的数据结构和分析工具。 pandas 从统计编程语言 R 中带给 Python 许多好处，特别是数据帧对象和 R 包（例如plyr和reshape2），并将它们放置在一个可在内部使用的 Python 库中。

01

自连接的妙用

SQL通常在不同的表或者视图间进行连接运算，但是也可以对相同的表进行“自连接”运算。自连接的处理过程不太容易想象，但是，一旦掌握自连接技术，便能快速解决很多问题。

03

精通 Pandas 探索性分析：1~4 全

在本章中，我们将学习如何在 Pandas 中使用不同种类的数据集格式。我们将学习如何使用 Pandas 导入的 CSV 文件提供的高级选项。我们还将研究如何在 Pandas 中使用 Excel 文件，以及如何使用read_excel方法的高级选项。我们将探讨其他一些使用流行数据格式的 Pandas 方法，例如 HTML，JSON，PKL 文件，SQL 等。

01

带你和Python与R一起玩转数据科学: 探索性数据分析（附代码）

本系列将介绍如何在现在工作中用两种最流行的开源平台玩转数据科学。先来看一看数据分析过程中的关键步骤 – 探索性数据分析。

03

Pandas 2.2 中文官方教程和指南（十三）

写时复制将成为 pandas 3.0 的默认设置。我们建议现在就启用它以从所有改进中受益。

01

python数据分析笔记——数据加载与整理

Python数据分析——数据加载与整理总第47篇 ▼ （本文框架）数据加载导入文本数据 1、导入文本格式数据（CSV）的方法：方法一：使用pd.read_csv()，默认打开csv文件。 9、

08

整理了 25 个 Pandas 实用技巧，拿走不谢！

来源：www.cnblogs.com/jclian91/p/12305471.html

01

【数据库设计和SQL基础语法】--连接与联接--内连接和外连接的概念

SQL连接是一种在关系型数据库中使用的操作，用于将两个或多个表中的行关联起来。连接允许在查询中同时检索来自多个表的数据，通过共享一个或多个共同的列（通常是主键或外键）来建立关系。连接操作是SQL查询的重要组成部分，它有助于从不同表中获取相关联的信息。基本概念包括：

01

PostgreSQL 教程

本 PostgreSQL 教程可帮助您快速了解 PostgreSQL。您将通过许多实际示例快速掌握 PostgreSQL，并将这些知识应用于使用 PostgreSQL 开发应用程序。

01

初学者使用Pandas的特征工程

Pandas是用于Python编程语言的开源高级数据分析和处理库。使用pandas，可以轻松加载，准备，操作和分析数据。它是用于数据分析操作的最优选和广泛使用的库之一。

03

7 款 Python 数据图表工具的比较

Python 的科学栈相当成熟，各种应用场景都有相关的模块，包括机器学习和数据分析。数据可视化是发现数据和展示结果的重要一环，只不过过去以来，相对于 R 这样的工具，发展还是落后一些。幸运的是，过去几年出现了很多新的Python数据可视化库，弥补了一些这方面的差距。matplotlib 已经成为事实上的数据可视化方面最主要的库，此外还有很多其他库，例如vispy，bokeh， seaborn， pyga， folium 和 networkx，这些库有些是构建在 matplotlib 之上，还有些有其他一

pandas技巧6

可根据⼀个或多个键将不同DataFrame中的⾏连接起来，它实现的就是数据库的join操作，就是数据库风格的合并

01

Scikit-Learn教程：棒球分析 (一)

一个scikit-learn教程，通过将数据建模到KMeans聚类模型和线性回归模型来预测MLB每赛季的胜利。

02

Pandas Sort：你的 Python 数据排序指南

学习 Pandas排序方法是开始或练习使用 Python进行基本数据分析的好方法。最常见的数据分析是使用电子表格、SQL或pandas 完成的。使用 Pandas 的一大优点是它可以处理大量数据并提供高性能的数据操作能力。

00

MongoDB和pandas的数据分析入门极简教程

导读：MongoDB是一个开源文档数据库，旨在实现卓越的性能、易用性和自动扩展。Pandas是受R数据框架概念启发形成的框架。

01

Python连接大法｜“合体”

今日阳光明媚，今日万里无云，函数届的<不讲武德>比赛拉开序幕，首当其冲的就是小梦(merge)、小超(concat)，也是合并功能里的俊男靓女，随着一只小虫(数据)的入场，大战一触即发~~

01

Pandas merge用法解析（用Excel的数据为例子）

on: 要加入的列或索引级别名称。必须在左侧和右侧DataFrame对象中找到。如果未传递且left_index和right_index为False，则DataFrame中的列的交集将被推断为连接键。

02

python对100G以上的数据进行排序，都有什么好的方法呢

学习 Pandas排序方法是开始或练习使用 Python进行基本数据分析的好方法。最常见的数据分析是使用电子表格、SQL或pandas 完成的。使用 Pandas 的一大优点是它可以处理大量数据并提供高性能的数据操作能力。

03

MySQL数据库的增删改查(进阶)

这里需要确保查询集合的列数,类型,顺序要和插入表的列数,类型,顺序一致,这里列的名称可以不一样. values 替换成了select 查询的临时表.

01

SQL 进阶技巧（上）

由于工作需要，最近做了很多 BI 取数的工作，需要用到一些比较高级的 SQL 技巧，总结了一下工作中用到的一些比较骚的进阶技巧，特此记录一下，以方便自己查阅，主要目录如下：

02

Python让Excel飞起来：使用Python xlwings实现Excel自动化

本文将向你展示如何使用Python xlwings库自动化Excel。毋庸置疑，Excel是一款非常棒的软件，具有简单直观的用户界面，而Python是一种强大的编程语言，在数据分析方面非常高效。xlwings就像胶水一样，将两者连接到一起，让我们能够同时拥有两者最好的一面。

04

干货分享 | SQL join 你真的懂了吗？

如果将数据存储在关系数据库中，最好将数据规范化，通常需要将数据拆分为通过键逻辑连接的多个表。大多数非简易的查询都需要多个表的连接来完成。本文简要介绍了SQL连接，重点介绍了内连接和外接之间的区别。

02

Python数据处理从零开始----第二章（pandas）⑨pandas读写csv文件(4)

如果我们有许多数据帧，并且我们想将它们全部导出到同一个csv文件中。这是为了创建两个新的列，命名为group和row num。重要的部分是group，它将标识不同的数据帧。在代码示例的最后一行中，我们使用pandas将数据帧写入csv。

02

数据清洗&预处理入门完整指南

数据预处理是建立机器学习模型的第一步（也很可能是最重要的一步），对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效——就是这么简单。

02

Python数据清洗 & 预处理入门完整指南

数据预处理是建立机器学习模型的第一步（也很可能是最重要的一步），对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效——就是这么简单。

02

Python数据清洗 & 预处理入门完整指南！

数据预处理是建立机器学习模型的第一步（也很可能是最重要的一步），对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效——就是这么简单。

01

整理了25个Pandas实用技巧（下）

假设你将一些数据储存在Excel或者Google Sheet中，你又想要尽快地将他们读取至DataFrame中。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭