Сравнение двух фреймов данных и получение различий

89

У меня есть два фрейма данных. Примеры:

df1:
Date       Fruit  Num  Color 
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange  8.6 Orange
2013-11-24 Apple   7.6 Green
2013-11-24 Celery 10.2 Green

df2:
Date       Fruit  Num  Color 
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange  8.6 Orange
2013-11-24 Apple   7.6 Green
2013-11-24 Celery 10.2 Green
2013-11-25 Apple  22.1 Red
2013-11-25 Orange  8.6 Orange

Каждый фрейм данных имеет дату в качестве индекса. Оба фрейма данных имеют одинаковую структуру.

Что я хочу сделать, так это сравнить эти два фрейма данных и найти, какие строки находятся в df2, а какие нет в df1. Я хочу сравнить дату (индекс) и первый столбец (Banana, APple и т.д.), чтобы узнать, существуют ли они в df2 vs df1.

Я пробовал следующее:

Для первого подхода я получаю эту ошибку: «Исключение: можно сравнивать только объекты DataFrame с одинаковой меткой» . Я попытался удалить дату как индекс, но получил ту же ошибку.

При третьем подходе я получаю assert для возврата False, но не могу понять, как на самом деле увидеть разные строки.

Любые указатели приветствуются

python pandas dataframe Эрик Д. Браун
источник
Если вы сделаете это: cookbook-r.com/Manipulating_data/… , избавится ли он от исключения «объекты DataFrame с одинаковой меткой»?
Энтони Конг,
Я много раз менял имена столбцов, чтобы попытаться обойти проблему, но безуспешно.
Эрик Д. Браун
1
FWIW, я изменил имена столбцов на «a, b, c, d» на обоих фреймах данных и получил то же сообщение об ошибке.
Эрик Д. Браун

Ответы:

103

Этот подход df1 != df2работает только для фреймов данных с идентичными строками и столбцами. Фактически, все оси фреймов данных сравниваются с _indexed_sameметодом, и при обнаружении различий возникает исключение, даже в порядке столбцов / индексов.

Если я вас понял, вы хотите найти не изменения, а симметричное различие. Для этого одним из подходов может быть объединение фреймов данных:

>>> df = pd.concat([df1, df2])
>>> df = df.reset_index(drop=True)

группа по 

>>> df_gpby = df.groupby(list(df.columns))

получить индекс уникальных записей

>>> idx = [x[0] for x in df_gpby.groups.values() if len(x) == 1]

фильтр

>>> df.reindex(idx)
         Date   Fruit   Num   Color
9  2013-11-25  Orange   8.6  Orange
8  2013-11-25   Apple  22.1     Red
алко
источник
Это был ответ. Я удалил индекс «Дата» и последовал этому подходу, и я получил правильный результат.
Эрик Д. Браун
8
Есть ли простой способ добавить к этому флаг, чтобы увидеть, какие строки были удалены / добавлены / изменены с df1 на df2?
pyCthon
@alko Мне было интересно, pd.concatдобавляет ли это только недостающие элементы из df1? Или df1полностью заменяет на df2?
Джейк Вонг
@jakewong pd.concat- как здесь используется - выполняет внешнее соединение. Другими словами, он объединяет все индексы из обоих df, и это фактически поведение по умолчанию для pd.concat(), вот документы pandas.pydata.org/pandas-docs/stable/merging.html
Thanos
какое максимальное количество записей мы можем сравнить с помощью панд?
pyd
25

Передача фреймов данных в concat в словаре приводит к мультииндексному фрейму данных, из которого вы можете легко удалить дубликаты, в результате чего получается мультииндексный фрейм данных с различиями между фреймами данных:

import sys
if sys.version_info[0] < 3:
    from StringIO import StringIO
else:
    from io import StringIO
import pandas as pd

DF1 = StringIO("""Date       Fruit  Num  Color 
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange  8.6 Orange
2013-11-24 Apple   7.6 Green
2013-11-24 Celery 10.2 Green
""")
DF2 = StringIO("""Date       Fruit  Num  Color 
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange  8.6 Orange
2013-11-24 Apple   7.6 Green
2013-11-24 Celery 10.2 Green
2013-11-25 Apple  22.1 Red
2013-11-25 Orange  8.6 Orange""")


df1 = pd.read_table(DF1, sep='\s+')
df2 = pd.read_table(DF2, sep='\s+')
#%%
dfs_dictionary = {'DF1':df1,'DF2':df2}
df=pd.concat(dfs_dictionary)
df.drop_duplicates(keep=False)

Результат:

             Date   Fruit   Num   Color
DF2 4  2013-11-25   Apple  22.1     Red
    5  2013-11-25  Orange   8.6  Orange
юр
источник
1
Это намного более простой метод, просто еще одна доработка может упростить его. Нет необходимости объединять в словаре, используйте df = pd.concat ([df1, df2]) сделает то же самое
ling
не следует перезаписывать встроенное ключевое слово dict!
denfromufa
Есть ли способ добавить к этому, чтобы определить, какой фрейм данных содержит уникальную строку?
jlewkovich
Вы можете сказать по первому уровню в мультииндексе , который содержит ключ dataframe в словаре (я обновил выход с правильными ключами)
юр
24

Обновление и размещение, где другим будет легче найти, комментарий ling к ответу jur выше.

df_diff = pd.concat([df1,df2]).drop_duplicates(keep=False)

Тестирование с этими фреймами данных:

df1=pd.DataFrame({
    'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24'],
    'Fruit':['Banana','Orange','Apple','Celery'],
    'Num':[22.1,8.6,7.6,10.2],
    'Color':['Yellow','Orange','Green','Green'],
})

df2=pd.DataFrame({
    'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24','2013-11-25','2013-11-25'],
    'Fruit':['Banana','Orange','Apple','Celery','Apple','Orange'],
    'Num':[22.1,8.6,7.6,10.2,22.1,8.6],
    'Color':['Yellow','Orange','Green','Green','Red','Orange'],
})

Результаты в этом: введите описание изображения здесь

leerssej
источник
5

Основываясь на ответе alko, который почти сработал для меня, за исключением этапа фильтрации (где я получаю :) ValueError: cannot reindex from a duplicate axis, вот окончательное решение, которое я использовал:

# join the dataframes
united_data = pd.concat([data1, data2, data3, ...])
# group the data by the whole row to find duplicates
united_data_grouped = united_data.groupby(list(united_data.columns))
# detect the row indices of unique rows
uniq_data_idx = [x[0] for x in united_data_grouped.indices.values() if len(x) == 1]
# extract those unique values
uniq_data = united_data.iloc[uniq_data_idx]
фнл
источник
Хорошее дополнение к ответу. Спасибо
Эрик Д. Браун
1
Я получаю сообщение об ошибке ' IndexError: index out of bounds', когда пытаюсь запустить третью строку.
Moondra
5 
# THIS WORK FOR ME

# Get all diferent values
df3 = pd.merge(df1, df2, how='outer', indicator='Exist')
df3 = df3.loc[df3['Exist'] != 'both']


# If you like to filter by a common ID
df3  = pd.merge(df1, df2, on="Fruit", how='outer', indicator='Exist')
df3  = df3.loc[df3['Exist'] != 'both']
Иван Моран
источник
это лучший ответ
Moshevi
3

Существует более простое решение, которое работает быстрее и лучше, и если числа отличаются, это может даже дать вам разницу в количестве:

df1_i = df1.set_index(['Date','Fruit','Color'])
df2_i = df2.set_index(['Date','Fruit','Color'])
df_diff = df1_i.join(df2_i,how='outer',rsuffix='_').fillna(0)
df_diff = (df_diff['Num'] - df_diff['Num_'])

Здесь df_diff - это краткий обзор различий. Вы даже можете использовать его, чтобы найти разницу в количестве. В вашем примере:

введите описание изображения здесь

Объяснение: аналогично сравнению двух списков, чтобы сделать это эффективно, мы должны сначала упорядочить их, а затем сравнить их (преобразование списка в наборы / хеширование также будет быстрым; оба являются невероятным улучшением простого цикла двойного сравнения O (N ^ 2)

Примечание: следующий код создает таблицы:

df1=pd.DataFrame({
    'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24'],
    'Fruit':['Banana','Orange','Apple','Celery'],
    'Num':[22.1,8.6,7.6,10.2],
    'Color':['Yellow','Orange','Green','Green'],
})
df2=pd.DataFrame({
    'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24','2013-11-25','2013-11-25'],
    'Fruit':['Banana','Orange','Apple','Celery','Apple','Orange'],
    'Num':[22.1,8.6,7.6,10.2,22.1,8.6],
    'Color':['Yellow','Orange','Green','Green','Red','Orange'],
})
ntg
источник
3

Основатель простого решения здесь:

https://stackoverflow.com/a/47132808/9656339

pd.concat([df1, df2]).loc[df1.index.symmetric_difference(df2.index)]

Tom2shoes
источник
1
Добро пожаловать в Stack Overflow Tom2shoes. Пожалуйста, не предоставляйте ответы только по ссылке, попытайтесь извлечь содержимое из ссылки и оставить его только как ссылку (так как содержимое ссылки может быть удалено или сама ссылка может сломаться). Дополнительные сведения см. В разделе «Как написать хороший ответ?» . Если вы считаете, что на этот вопрос уже был дан ответ в другом вопросе, отметьте его как повторяющийся.
GGG
2 
# given
df1=pd.DataFrame({'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24'],
    'Fruit':['Banana','Orange','Apple','Celery'],
    'Num':[22.1,8.6,7.6,10.2],
    'Color':['Yellow','Orange','Green','Green']})
df2=pd.DataFrame({'Date':['2013-11-24','2013-11-24','2013-11-24','2013-11-24','2013-11-25','2013-11-25'],
    'Fruit':['Banana','Orange','Apple','Celery','Apple','Orange'],
    'Num':[22.1,8.6,7.6,1000,22.1,8.6],
    'Color':['Yellow','Orange','Green','Green','Red','Orange']})

# find which rows are in df2 that aren't in df1 by Date and Fruit
df_2notin1 = df2[~(df2['Date'].isin(df1['Date']) & df2['Fruit'].isin(df1['Fruit']) )].dropna().reset_index(drop=True)

# output
print('df_2notin1\n', df_2notin1)
#      Color        Date   Fruit   Num
# 0     Red  2013-11-25   Apple  22.1
# 1  Orange  2013-11-25  Orange   8.6
SpeedCoder5
источник
1

Получил вот такое решение. Вам это помогает?

text = """df1:
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange 8.6 Orange
2013-11-24 Apple 7.6 Green
2013-11-24 Celery 10.2 Green

df2:
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange 8.6 Orange
2013-11-24 Apple 7.6 Green
2013-11-24 Celery 10.2 Green
2013-11-25 Apple 22.1 Red
2013-11-25 Orange 8.6 Orange



argetz45
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange 118.6 Orange
2013-11-24 Apple 74.6 Green
2013-11-24 Celery 10.2 Green
2013-11-25     Nuts    45.8 Brown
2013-11-25 Apple 22.1 Red
2013-11-25 Orange 8.6 Orange
2013-11-26   Pear 102.54    Pale"""

.

from collections import OrderedDict
import re

r = re.compile('([a-zA-Z\d]+).*\n'
               '(20\d\d-[01]\d-[0123]\d.+\n?'
               '(.+\n?)*)'
               '(?=[ \n]*\Z'
                  '|'
                  '\n+[a-zA-Z\d]+.*\n'
                  '20\d\d-[01]\d-[0123]\d)')

r2 = re.compile('((20\d\d-[01]\d-[0123]\d) +([^\d.]+)(?<! )[^\n]+)')

d = OrderedDict()
bef = []

for m in r.finditer(text):
    li = []
    for x in r2.findall(m.group(2)):
        if not any(x[1:3]==elbef for elbef in bef):
            bef.append(x[1:3])
            li.append(x[0])
    d[m.group(1)] = li


for name,lu in d.iteritems():
    print '%s\n%s\n' % (name,'\n'.join(lu))

результат

df1
2013-11-24 Banana 22.1 Yellow
2013-11-24 Orange 8.6 Orange
2013-11-24 Apple 7.6 Green
2013-11-24 Celery 10.2 Green

df2
2013-11-25 Apple 22.1 Red
2013-11-25 Orange 8.6 Orange

argetz45
2013-11-25     Nuts    45.8 Brown
2013-11-26   Pear 102.54    Pale
Eyquem
источник
Спасибо за помощь. Я видел ответ @alko, и этот код работал хорошо.
Эрик Д. Браун
1

Поскольку pandas >= 1.1.0у нас есть DataFrame.compareи Series.compare.

Примечание. Метод может сравнивать только объекты DataFrame с одинаковыми метками, то есть DataFrame с идентичными метками строк и столбцов.

df1 = pd.DataFrame({'A': [1, 2, 3],
                    'B': [4, 5, 6],
                    'C': [7, np.NaN, 9]})

df2 = pd.DataFrame({'A': [1, 99, 3],
                    'B': [4, 5, 81],
                    'C': [7, 8, 9]})

   A  B    C
0  1  4  7.0
1  2  5  NaN
2  3  6  9.0 

    A   B  C
0   1   4  7
1  99   5  8
2   3  81  9

df1.compare(df2)

     A          B          C      
  self other self other self other
1  2.0  99.0  NaN   NaN  NaN   8.0
2  NaN   NaN  6.0  81.0  NaN   NaN
Эрфан
источник
Спасибо за эту информацию. Я еще не перешел на 1.1, но это полезно знать.
Эрик Д. Браун,
0

Следует отметить одну важную деталь: ваши данные имеют повторяющиеся значения индекса , поэтому для выполнения любого прямого сравнения нам нужно сделать все как уникальное, df.reset_index()и поэтому мы можем выполнять выборку на основе условий. Как только в вашем случае индекс определен, я предполагаю, что вы хотели бы сохранить индекс, поэтому существует однострочное решение:

[~df2.reset_index().isin(df1.reset_index())].dropna().set_index('Date')

Как только цель с питонической точки зрения - улучшить читаемость, мы можем немного сломаться:

# keep the index name, if it does not have a name it uses the default name
index_name = df.index.name if df.index.name else 'index' 

# setting the index to become unique
df1 = df1.reset_index()
df2 = df2.reset_index()

# getting the differences to a Dataframe
df_diff = df2[~df2.isin(df1)].dropna().set_index(index_name)
гандреоти
источник
0

Надеюсь, это будет вам полезно. ^ о ^

df1 = pd.DataFrame({'date': ['0207', '0207'], 'col1': [1, 2]})
df2 = pd.DataFrame({'date': ['0207', '0207', '0208', '0208'], 'col1': [1, 2, 3, 4]})
print(f"df1(Before):\n{df1}\ndf2:\n{df2}")
"""
df1(Before):
   date  col1
0  0207     1
1  0207     2

df2:
   date  col1
0  0207     1
1  0207     2
2  0208     3
3  0208     4
"""

old_set = set(df1.index.values)
new_set = set(df2.index.values)
new_data_index = new_set - old_set
new_data_list = []
for idx in new_data_index:
    new_data_list.append(df2.loc[idx])

if len(new_data_list) > 0:
    df1 = df1.append(new_data_list)
print(f"df1(After):\n{df1}")
"""
df1(After):
   date  col1
0  0207     1
1  0207     2
2  0208     3
3  0208     4
"""
Карсон
источник
0

Я попробовал этот метод, и он сработал. Надеюсь, это тоже поможет:

"""Identify differences between two pandas DataFrames"""
df1.sort_index(inplace=True)
df2.sort_index(inplace=True)
df_all = pd.concat([df1, df12], axis='columns', keys=['First', 'Second'])
df_final = df_all.swaplevel(axis='columns')[df1.columns[1:]]
df_final[df_final['change this to one of the columns'] != df_final['change this to one of the columns']]
отладка XD
источник